利用机器学习发现降雨-流出动态的简约且物理可解释表示

由于机器学习（ML）方法在物理可解释性方面的挑战，以及模型可解释性是管理应用中可信度的关键因素，许多科学家和实践者仍不愿抛弃传统的物理-概念（PC）建模方法，尽管后者在预测性能上不如ML方法。本文考察如何开发简约且最小优化的表示，以促进对系统功能性的更好理解。术语最小优化表示在所需努力和资源方面可以实现预期结果，而简约性则被认为有助于理解。因此，我们建议ML基于建模应使用本质上具有物理可解释性的计算单元，并探讨由质量守恒感知器构成的通用网络架构如何以物理可解释的方式建模动态系统。在空间简化的 catchment 规模建模背景下，我们发现，通过采用具有情境依赖性门控和节点间信息共享的分布式状态网络，既可实现物理可解释性，又可获得良好的预测性能。分布式状态机制确保系统储存的足够数量随时间演化的属性，而信息共享确保这些属性的正确同步。结果表明，仅需数层（最多两层）和相对较少的物理流路径（最多三条）的基于质量守恒感知器的ML模型，在ML基于流量建模中发挥重要作用。