分布式混合洪水建模框架：结合物理机制与深度学习以提高效率和准确性

《Water Resources Research》：Distributed Hybrid Flood Modeling Framework: Integrating Physical Mechanisms With Deep Learning for Enhanced Efficiency and Accuracy

洪水预测与分布式混合建模

　　本研究提出了一种结合物理机制与深度学习的分布式混合洪水建模（DHFM）框架，旨在克服传统过程驱动模型在描述物理机制方面的局限性，以及数据驱动模型在洪水预测中缺乏可解释性的挑战。通过引入可微分的扩散波（DW）和卷积神经网络（CNN）流路方法，DHFM框架实现了物理机制与深度学习的无缝融合。此外，还实施了可微分的Muskingsum（MK）流路方法作为基准。以中国 Mishui 流域为案例，系统评估了这三种流路方法在有观测站点和无观测站点场景下的性能与可解释性。

研究结果表明，DHFM框架能够在不同子流域中有效实现物理参数化。与传统的集总型 Xin'anjiang 水文模型相比，DHFM框架在日径流模拟和洪水预测中均展现出更高的准确性，同时嵌入的神经网络也具有良好的可解释性。在有观测站点的场景下，CNN流路方法在性能和效率方面略微优于DW方法，并显著优于MK方法。然而，随着训练站点数量的增加，模型性能呈现出趋于稳定或下降的趋势。在无观测站点场景中，CNN方法在有足够的训练数据（超过2个站点）时表现良好，但对站点选择较为敏感，当仅使用一个站点时，其性能会显著下降。相比之下，DW和MK方法则表现出更高的稳定性。

CNN流路方法在分布式混合洪水建模框架中展现出学习基于渠道属性的单位水文曲线的潜力。该方法通过卷积操作模拟水流过程，其卷积核能够根据渠道的静态属性进行调整，从而捕捉复杂的水文过程。研究发现，CNN流路方法在训练过程中能够更灵活地适应数据，其损失函数在初期下降较快，并最终稳定在较低的值。然而，由于其对峰值流的优先考虑，部分模型的输出可能在时间上不够精确，影响洪水波传播的物理真实性。因此，研究也提出了一些可能的改进方向，例如引入更具代表性的评估指标，如水位导数的均方根误差，以更好地捕捉洪水波传播的时间动态和结构特征。

此外，研究还发现，CNN流路方法的性能和鲁棒性对训练站点数量更为敏感。例如，在仅使用一个训练站点的情况下，CNN流路方法的性能显著下降，而DW和MK方法则表现出相对稳定的预测能力。这一现象表明，在数据稀疏的场景下，选择合适的训练站点组合对于模型的泛化能力至关重要。研究强调，设计一个合理的水文监测网络，需要综合考虑站点数量和分布，以确保模型能够有效捕捉不同区域的水文过程。

在无观测站点场景下，CNN方法在使用两个或更多训练站点时表现优于DW和MK方法。然而，当训练站点数量较少时，CNN方法的鲁棒性相对较低，导致预测结果出现偏差。这一结果表明，在数据丰富的场景下，CNN方法具有更高的潜力，特别是在国家尺度的水文建模中，其能够学习出符合物理规律的水文过程，从而提升洪水预测的准确性。

研究还探讨了嵌入的神经网络在理解物理过程中的作用。通过SHAP（Shapley Additive Explanation）方法，研究分析了模型中不同输入特征对输出结果的贡献，揭示了神经网络在模拟过程中如何根据子流域的静态属性学习出相应的水文参数。这一分析不仅有助于提高模型的可解释性，还为改进模型的物理合理性提供了依据。例如，在某些情况下，神经网络可能因为数据不足或模型结构的限制，导致对某些物理过程的学习出现偏差，进而影响模型的泛化能力。

在训练过程中，DHFM框架采用了分阶段策略，即先进行预训练，再进行微调。预训练阶段使用每日水文数据，通过神经网络学习出模型的初始参数；微调阶段则利用洪水事件数据，进一步优化模型以适应具体场景。这种分阶段策略有助于提高模型的适应性和泛化能力，同时减少了计算成本。此外，研究还发现，CNN和DW方法在计算效率方面显著优于MK方法，尤其在处理大规模流域和高分辨率数据时，其并行计算能力能够显著降低模型运行时间。

然而，研究也指出了DHFM框架的一些局限性。首先，当前的模型基于Xin'anjiang（XAJ）水文模型，该模型主要适用于湿润和半湿润地区，缺乏对干旱或积雪主导流域的适用性。因此，未来的工作将致力于改进DHFM框架，以适应更多样化的流域条件。其次，研究使用的数据量相对有限，虽然存在如CAMELS等大型水文数据集，但其中缺乏针对洪水事件的高分辨率数据，这可能影响模型在无观测站点场景下的泛化能力。因此，未来的研究将努力收集更多洪水事件数据，以提升模型的训练效果。此外，模型目前未考虑人类活动对洪水过程的影响，例如水库和大坝的运行。这一限制可能影响模型在实际洪水预报中的准确性，因此未来的工作也将探索如何将这些因素纳入模型中。

最后，研究强调了不确定性在水文建模中的普遍性。尽管通过多次训练和随机初始化的处理，模型的不确定性得到了一定程度的缓解，但仍然存在来自模型输入和训练数据的不确定性。传统的水文建模方法通常采用统计方法，如贝叶斯方法，来处理这些不确定性。未来的研究可以进一步探索如何将不确定性分析方法整合到DHFM框架中，以提升模型的鲁棒性和可靠性。

综上所述，本研究提出了一种新的混合水文模型框架，结合了物理机制和深度学习的优势，以提升洪水预测的精度和可解释性。通过对比不同流路方法的性能，研究发现CNN方法在某些场景下表现出更强的适应性和准确性，但其对训练数据的依赖性较高。因此，在实际应用中，需要根据具体流域的特点和数据可用性，合理选择流路方法，并优化模型的训练策略。同时，研究还强调了数据质量和模型结构对预测结果的影响，指出在数据稀缺或模型结构不完善的条件下，模型的性能可能受到较大影响。未来的研究将致力于解决这些问题，以进一步提升混合模型在洪水预测中的实用价值。