使用深度学习进行 SWAT 流域模型校准

诸如土壤和水评估工具 (SWAT) 等流域模型由高维物理和经验参数组成。这些参数需要被准确校准，以使模型对径流、蒸散发、雪水当量和养分负荷产生可靠预测。现有参数估计方法耗时、低效且计算密集，在估计高维参数时精度下降。本文提出一种快速、准确且可靠的方法，使用深度学习 (DL) 校准 SWAT 模型（即 21 个参数）。我们基于卷积神经网络开发 DL 赋能的逆模型，以摄入径流数据并估计 SWAT 模型参数。执行超参数调优以识别最优神经网络架构及九个次优候选。我们使用集成 SWAT 模拟来训练、验证和测试上述 DL 模型。我们利用观测数据估计了 SWAT 模型的实际参数。我们在位于太平洋西北 Yakima 河流域的 American River Watershed 上测试和验证了所提出的 DL 方法。我们的结果表明，基于 DL 模型的校准优于传统参数估计方法，如广义似然不确定性估计 (GLUE)。DL 估计的行为参数集比 GLUE 范围更窄，且即使在较高相对观测误差下也产生采样范围内的值。这一窄参数范围显示了所提工作流即使在噪声下也能准确估计敏感参数的可靠性。由于其快速且相当准确的进程参数估计，所提 DL 工作流对于大空间尺度应用的一体化水文模型校准具有吸引力。