面向降雨-流出建模的过程感知 AI：一种具有水文过程约束的质量守恒神经框架
机器学习
2026-03-27 v1
摘要
机器学习模型在水文应用中可实现高预测精度，但常缺乏物理可解释性。质量守恒感知感知器（Mass-Conserving Perceptron, MCP）提供了一个强制守恒原理、允许从数据中学习水文过程关系的物理感知 AI 框架。本研究探讨了在单个 MCP 存储单元中逐步嵌入物理意义表征的水文过程如何提升预测技能和可解释性。我们从最小 MCP 形式开始，依次引入受限土壤储存、状态相关渗透性、可变孔隙率、渗透容量、表面积水、垂直排水以及非线性水位动力学。所得层次化过程感知 MCP 模型在美国大陆五个水气候区的 15 个流域上进行评估，目标为日流量预测。结果表明，逐步增强 MCP 单元内部物理结构普遍提升了预测性能。这些过程表征的影响在水气候上具有显著依赖性：垂直排水在干旱和雪洪流域显著提升模型技能，但在雨洪流域中会降低性能；表面积水效果相对较小。最佳 MCP 配置接近长短期记忆基准的预测技能，同时保持显式物理可解释性。这些结果表明，在 AI 架构中嵌入水文过程约束为实现可解释且过程感知的降雨-流出建模提供了可前景之路。
引用
@article{arxiv.2603.25093,
title = {Process-Aware AI for Rainfall-Runoff Modeling: A Mass-Conserving Neural Framework with Hydrological Process Constraints},
author = {Mohammad A. Farmani and Hoshin V. Gupta and Ali Behrangi and Muhammad Jawad and Sadaf Moghisi and Guo-Yue Niu},
journal= {arXiv preprint arXiv:2603.25093},
year = {2026}
}