面向陆面模型中的河流水流路由的循环神经网络

机器学习正日益在水文学中发挥作用，补充或取代基于物理的模型。其中一种值得注意的例子是使用循环神经网络（RNN）根据观测降水和地理特征预测流量。对整个美国大陆（CONUS）训练此类模型的实验表明，单一参数集可跨独立流域使用，且RNN能够优于基于物理的模型。本 work 进一步研究RNN在陆面模型（LSM）中进行河流水流路由性能。LSM-RNN 使用来自物理模型计算的即时径流作为输入，而非观测降水。我们使用遍布全球的河流流域数据进行训练，并用历史流量测量数据进行测试。该模型在流域（预测训练中未使用的流域的流量）和时间（预测训练中未使用的年份的流量）上的泛化能力显著。我们将LSM-RNN的预测结果与使用类似数据集校准的现有物理模型进行比较，发现LSM-RNN性能更优：在时间分割实验中，NSE中位数从0.56提升至0.64；在流域分割实验中，从0.30提升至0.34。我们的研究表明，RNN在从径流输入进行全球流量预测方面有效，并且推动了能够捕捉嵌套次流域连接关系的完整路由模型的开发。