改进物理引导层提升水文混合模型预测与机理推理能力研究

《Journal of Inorganic Biochemistry》：Oleoyl coenzyme A triggers peroxygenase activity in cytochrome c

本文系统评估了以机器学习为骨架、融合过程物理模型（PM）的混合模型（HM）在水文模拟中的表现。研究发现，采用改进版物理模型（如GCR-SIMHYD）作为物理引导层的HM，在径流（Q）预测纳什系数（NSE）达0.58±0.04，同时显著提升对蒸发（E）和基流（Qb）的物理推理能力（ΔR2分别提高0.10和0.21），证明优化物理层是提升HM性能的关键。未来水文数据同化发展需兼顾物理模型改进与数据挖掘技术创新。

　　

章节亮点

混合模型的微分架构

由Jiang等人（2020a）提出的物理感知机器学习架构包含"主干管道"和"参数化管道"。本研究仅针对单个流域采用局部模型（仅启用主干管道），如图1(a)所示。该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）构成。

数据描述

本研究使用的流域数据来自大样本研究数据集（CAMELS-US）的流域属性与气象资料，包含美国671个流域的日尺度水文气象时间序列及流域属性。从中筛选出569个在1980年10月1日至2010年9月30日期间具有完整连续观测记录的流域。这些流域主要分布在美国不同水文气候区。

整体性能表现

图2展示了混合模型（HM）及其部分模型（PMs^NN和CNN）在569个流域测试期的预测性能。其中子图(a)聚焦于采用NSE、KGE和R2评估的平均性能，箱体高度表示四分位距（IQR），反映模型稳健性；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PM是纯物理方法；PMs^NN是PM的数值变体，仅包含P-RNN层；HM是深度双向融合方法，包含P-RNN层和两个NN层；CNN模型是纯数据驱动方法。因此，从PM到PMs^NN，再到HM，最后到CNN，"数据驱动"的融合程度递增。图5展示了这四类模型（以SIMHYD基和GCR-SIMHYD基为例）的结果。从上到下...

结论

本研究利用融合物理模型与数据驱动方法的HM对美国569个流域进行水文模拟，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HM性能。对比两个部分模型（仅含物理模型部分的PMs^NN和仅含数据驱动部分的CNN），HM（平均NSE为0.57±0.03）展现出更优的综合性能。