面向 CONUS 尺度的 ML 增强且概念可解释的流域降水-储水-径流动态建模
机器学习
2025-10-06 v1
摘要
尽管许多现代研究致力于基于机器学习(ML)的大样本水文建模,但这些努力未必转化为基于增强的物理-概念理解的预测改进。在此,我们报告了一项覆盖 CONUS 的大样本研究(涵盖多样的水文-地理-气候条件),使用基于质量守恒感知器(MCP)的 ML 增强且物理可解释的流域尺度模型,这些模型具有不同的复杂度。结果使用属性掩码(如雪态、森林覆盖和气候带)进行评估。我们的结果表明,根据过程主导地位随水文情势的变化来选择具有适当复杂度的模型架构十分重要。基准比较表明,基于 MCP 的物理可解释质量守恒模型可以实现与基于长短期记忆网络(LSTM)架构的数据驱动模型相当的性能。总体而言,本研究强调了理论指导且基于物理的大样本水文方法的潜力,重点关注机制理解以及简约且可解释的模型架构的开发,从而为未来在架构上编码时空变化过程主导地位的“无处不在的模型”奠定基础。
引用
@article{arxiv.2510.02605,
title = {Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics},
author = {Yuan-Heng Wang and Yang Yang and Fabio Ciulla and Hoshin V. Gupta and Charuleka Varadharajan},
journal= {arXiv preprint arXiv:2510.02605},
year = {2025}
}
备注
Main text: 95 pages, 15 figures, 4 tables; Applendix: Section A-E; 2 figures; Supplementary Materials: 15 figures, 7 tables