物理约束与深度学习融合的Hybrid-GR4J水文模型：提升径流模拟精度与可解释性

为解决深度学习模型"黑箱"特性与物理水文模型性能不足的问题，研究人员创新性地将GR4J模型结构嵌入物理约束循环神经网络(PBM-RNN)，在NODE框架下构建了Hybrid-GR4J混合模型。基于CAMELS-US流域数据集测试表明，该模型NSE和KGE评分分别达0.59和0.63，较传统RNN和GR4J提升23.52%-36.58%，实现了物理可解释性与数据驱动优势的深度耦合，为水文模拟提供了新型可迁移框架。

　　

在全球气候变化加剧的背景下，极端天气事件频发导致径流过程不确定性持续增加，这对水资源安全、生态系统稳定和社会经济发展构成了严峻挑战。传统基于物理机制的水文模型(PBM)如GR4J虽然具有物理可解释性，但受限于简化公式和过程不确定性；而深度学习(DL)模型如LSTM虽表现出色，却因"黑箱"特性备受质疑。如何实现物理机理与数据驱动方法的深度融合，成为当前水文建模领域的关键科学问题。

中国国家重点研发计划项目支持下，华中科技大学的研究团队在《Environmental Modelling》发表研究，提出Hybrid-GR4J混合模型。该研究通过将GR4J的离散方程结构重构为神经网络单元(PBM-RNN)，在神经常微分方程(NODE)框架下实现端到端训练，创造性地解决了物理模型与深度学习模型的结构性融合难题。研究采用CAMELS-US数据集569个流域的日尺度气象数据，通过对比RNN、GR4J等基准模型，系统评估了模型在径流模拟精度、气候适应性和数据需求敏感性等方面的性能。

关键技术包括：1) 基于NODE框架构建物理约束RNN单元；2) 将GR4J模型参数转化为神经网络权重；3) 采用KGE和NSE等多指标评估体系；4) 设计不同训练数据规模的鲁棒性测试。

研究结果部分显示：
《Overall performance》通过全流域测试发现，Hybrid-GR4J平均NSE达0.59，较RNN和GR4J分别提升23.52%和36.58%，且在干旱流域表现尤为突出；
《Physical mechanism model》证实嵌入GR4J结构使模型成功保留了产汇流过程的物理可解释性；
《Conclusion》总结该模型通过结构约束显著提升了中小洪水事件的模拟精度，同时将训练数据需求降低至传统DL模型的60%。

这项研究的突破性在于：首次实现水文过程模型与神经网络的架构级融合，既克服了DL模型缺乏物理意义的缺陷，又解决了PBM模型精度不足的问题。所提出的NODE框架为其他领域物理-数据融合建模提供了可迁移范式，特别适用于数据稀缺区域的水文预测。研究获得的国家自然科学基金(52079054)和湖北省科技计划(2024AFB646)支持，相关代码已在GitHub开源，将推动智能水文建模的创新发展。