任意位置时空地下水位预测的纯深度学习与物理引导深度学习方法
机器学习
2026-03-30 v1 人工智能
摘要
地下水是水循环的关键组成部分，但其表现出复杂且依赖于上下文的关系，使其建模成为一项具有挑战性的任务。基于理论的模型一直是科学理解的基石。然而，其计算需求、简化假设和校准要求限制了其使用。近年来，数据驱动模型作为强大的替代方案出现。特别是，深度学习因其设计灵活性和学习复杂关系的能力已被证明是一种领先方法。我们提出了一种基于注意力的纯深度学习模型STAINet，用于预测任意且可变数量位置的周地下水位，利用空间稀疏的地下水测量数据和空间密集的天气信息。然后，为增强模型的可信度和泛化能力，我们考虑了不同的物理引导策略将地下水流动方程注入模型。首先，在STAINet-IB中，通过引入归纳偏置，我们也估计了控制方程的分量。然后，通过采用学习偏置策略，我们提出了STAINet-ILB，使用额外的损失项进行训练，这些损失项对估计的方程分量提供监督。最后，我们开发了STAINet-ILRB，利用领域专家估计的地下水体补给区信息。STAINet-ILB表现最佳，在展开设置中取得了压倒性的测试性能（中位MAPE 0.16%，KGE 0.58）。此外，它预测了合理的方程分量，为模型的物理合理性提供了见解。物理引导方法代表了一个有前景的机会，可以增强泛化能力和可信度，从而为新一代颠覆性混合深度学习地球系统模型铺平道路。
引用
@article{arxiv.2603.25779,
title = {Pure and Physics-Guided Deep Learning Solutions for Spatio-Temporal Groundwater Level Prediction at Arbitrary Locations},
author = {Matteo Salis and Gabriele Sartor and Rosa Meo and Stefano Ferraris and Abdourrahmane M. Atto},
journal= {arXiv preprint arXiv:2603.25779},
year = {2026}
}