机器学习与改进物理模型在水文建模中的协同研究：以改进SIMHYD和TANK模型为例

《Journal of Hydro-environment Research》：Synergizing machine learning and modified physical models for hydrology modeling: A case study of modified SIMHYD and TANK models

本文探讨了物理引导数据驱动混合模型（HM）在水文建模中的应用，通过将改进的物理模型（如GCR-SIMHYD和GCR-TANK）作为物理层嵌入机器学习框架，显著提升了径流（Q）预测的纳什效率系数（NSE）和蒸发（E）、基流（Qb）的推理能力，强调了物理模型优化对未来水文协同建模的重要性。

　　

混合模型的差异化架构

物理感知的机器学习架构由Jiang等人（2020a）提出，包含“主管道”和“参数化管道”。本研究仅针对单个流域使用本地模型（仅主管道），如图1(a)所示。混合模型由基于循环神经网络（RNN）的物理层（P-RNN）和两个普通神经网络层（NN）组成。

数据描述

本研究使用的流域数据来自美国大样本研究数据集（CAMELS-US），包含671个美国流域的水文气象时间序列和属性。其中569个流域拥有1980年10月1日至2010年9月30日的完整连续观测记录，这些流域主要分布在美国各地。

整体性能

混合模型（HM）及其部分模型（PMs^NN和CNN）在测试期于569个流域的预测性能如图2所示。子图(a)展示了基于NSE、KGE和R²的平均性能，箱线图高度表示四分位距（IQR），体现模型鲁棒性；子图(b)-(e)展示了基于SIMHYD（原版与改进版）模型的空间性能。

“数据驱动”参与程度对建模的影响

传统物理模型（PMs）为纯物理方法；PMs^NN是PMs的数值变体，仅包含P-RNN层；HMs是深度融合方法，包含P-RNN层和两个NN层；CNN模型是纯数据驱动方法。因此，从PMs到PMs^NN，再到HMs和CNN，“数据驱动”的协同程度递增。以SIMHYD和GCR-SIMHYD为基础的四类模型结果如图5所示，从上到下展示了不同协同程度对建模效果的影响。

结论

本研究利用融合物理模型和数据驱动方法的混合模型（HMs）对美国569个流域进行水文建模，详细比较了包裹原版（SIMHYD和TANK）与改进版物理模型（GCR-SIMHYD和GCR-TANK）的HMs性能。与仅含“物理模型”部分的PMs^NN和仅含“数据驱动”部分的CNN相比，HMs（平均NSE为0.57±0.03）展现出更优的预测与推理能力。