基于质量守恒感知器的可解释物理概念集水区水文建模

我们研究了机器学习技术在开发简约、可解释的集水区水文模型方面的适用性，这些模型使用基于质量守恒感知器（MCP）作为基本计算单元的有向图架构。在此，我们关注单一地点的架构复杂性（深度），而不是跨大量集水区样本的普适性（广度）。目标是发现一个能够代表主导过程的最小表示（细胞状态和流动路径的数量），这些过程可以解释给定集水区的输入-状态-输出行为，特别强调模拟全范围（高、中、低）的流量动态。我们发现，一个具有三个细胞状态和两条主要流动路径的类HyMod架构在我们的研究地点实现了这种表示，但额外加入输入旁路机制显著改善了水文过程线的时间和形状，而包含双向地下水质量交换则显著增强了对基流的模拟。总体而言，我们的结果证明了使用多个诊断指标进行模型评估的重要性，同时强调了基于信息论基础正确选择和设计训练指标的必要性，这些指标更适合从全范围的流量动态中提取信息。本研究通过使用神经架构搜索来确定不同水文气候区集水区的适当最小表示，为可解释的区域尺度基于MCP的水文建模（使用大样本数据）奠定了基础。