一种混合方法与常规方法和机器学习方法在无流量测量流域中进行日流量预测的比较评估

《Journal of Hydrology》：A comparative assessment of a hybrid approach against conventional and machine-learning daily streamflow prediction in ungauged basins

本研究通过CAMELS数据集，对比了dPL-HBV混合模型、纯LSTM和传统HBV模型在未量测流域（PUB）的预测性能与诊断能力，发现LSTM整体表现最佳，但混合模型在揭示低流截断等失败模式方面具有物理可解释性优势，为黑箱与过程模型融合提供了新思路。

　　本研究探讨了在连续美国领土（CONUS）中671个未观测流域（PUB）的模拟方法，旨在评估一种混合模型在预测能力和诊断能力方面的表现。该混合模型结合了可微参数学习（dPL）与概念性HBV模型，以期在保持物理过程理解的同时，提升模型的泛化能力。研究使用了CAMELS数据集，该数据集包含大量具有代表性的流域信息，涵盖了广泛的气候条件和流域特征。研究结果表明，尽管混合模型未能在预测精度上超越纯机器学习模型（如LSTM），但其在诊断模型失败模式方面展现出独特的优势，尤其是在干旱地区，其表现出的低流量截断现象与HBV模型的地下水模块存在系统性偏差密切相关。

研究首先介绍了预测未观测流域的挑战。传统方法依赖于空间相似性或邻近性原则，将校准参数从有观测数据的流域转移到无观测数据的流域。然而，这些方法通常假设空间一致性，并且需要相对密集的观测网络，因此在流域特征差异较大或地理位置较远的情况下，其不确定性会显著增加。此外，基于回归的方法在参数非唯一性方面面临困难，进一步降低了参数转移的可靠性。相比之下，基于机器学习的区域化方法，如LSTM，能够通过大规模数据训练，学习输入变量（如气象数据和流域属性）与水文输出之间的复杂非线性关系，从而在预测精度上表现优异。然而，纯机器学习模型通常被视为“黑箱”，缺乏对水文过程的物理解释，限制了其在诊断和理解模型失败机制方面的潜力。

为了解决这一问题，本研究提出了一种混合框架，即通过dPL方法估计HBV模型参数，并将这些参数用于模拟水文过程。该方法在保留物理概念的同时，利用深度学习的强大建模能力，提高模型的泛化能力。研究结果显示，尽管混合模型在预测精度上不如纯LSTM模型，但其在低流量模拟中的表现更为稳健，特别是在干旱地区。这表明，dPL方法能够弥补传统参数转移方法在某些条件下的不足，同时提供更清晰的诊断信息。通过分析不同模型在多个指标上的表现，如KGE、NSE和LNSE，研究发现LSTM模型在大多数流域表现稳定且准确，而混合模型和基于邻近性的HBV模型则在低流量和过渡区域表现较弱。

进一步的分析表明，混合模型的低流量截断现象主要源于dPL方法在估计基础流量衰减参数（parK2）时的系统性低估，以及与其他运行参数（如parK0）的偏差相结合，导致在干旱条件下模拟的水文过程无法维持持续的低流量。这一现象揭示了dPL方法在参数估计过程中可能引入的系统性偏差，尤其是在与结构不完善的HBV模型耦合时。尽管dPL方法在参数推断方面展现出强大的能力，但其性能仍受到所选模型结构的限制。因此，为了进一步提升混合模型的适用性，需要改进模型结构，尤其是地下水模块的表示方式，以增强其在低流量条件下的表现。

此外，研究还探讨了dPL方法的适用性和可扩展性。与传统的基于回归或邻近性的区域化方法相比，dPL方法能够独立于特定的供体流域，通过大规模数据训练，学习流域属性与模型参数之间的复杂关系。这种能力使得dPL在处理不同类型的流域时更加灵活，并且可以扩展到更复杂的水文模型中。然而，dPL方法的局限性也显而易见，尤其是在干旱或低流量主导的地区，其参数估计可能产生不现实的偏差，从而影响模型的可靠性。因此，未来的研究应关注如何优化dPL方法，使其能够更准确地模拟不同水文条件下的流域行为，同时保持对物理过程的理解。

本研究还强调了混合模型在水文实践中的价值。在某些任务中，如洪水预测，纯数据驱动的模型可能更受欢迎，因为它们在预测精度方面表现优异。然而，在需要深入理解水文过程的场景中，如气候变化影响评估或水资源管理，混合模型则更具优势。通过将dPL与概念性模型结合，混合模型不仅能够提供更准确的预测，还能揭示模型失败的根本原因，从而为模型改进提供依据。

总体而言，本研究揭示了混合模型在未观测流域模拟中的潜力，同时也指出了其在某些条件下的局限性。通过系统地评估不同模型的性能和失败模式，研究为未来水文建模提供了重要的参考。尽管纯机器学习模型在预测精度上表现突出，但混合模型在诊断和解释水文过程方面具有不可替代的价值。因此，未来的研究应进一步探索混合模型的先进特性，如并行化、代理模块和动态参数化，以提高其在复杂水文条件下的表现，并通过更全面的不确定性分析，增强模型的可靠性。这些努力不仅有助于提升未观测流域模拟的准确性，还将推动水文学向更综合、更智能的方向发展。