探索 xLSTM 用于大样本小时级降雨 - 径流建模

《Environmental Modelling & Software》：Exploring xLSTM for Large-Sample Hourly Rainfall–Runoff Modelling

　　## 摘要- 将基于xLSTM的模型与两种基于LSTM的基准模型进行对比，用于大样本逐时流量预测。- 实验使用加拿大430个流域的2011–2023年逐时数据。- xLSTM模型在空间外推中获得了更高的KGE和NSE中位数。- 在加拿大不同水气候区域评估了xLSTM模型的性能。## 引言近年来，基于深度学习（DL）的范式在大样本水文学中兴起，利用循环神经网络（特别是长短期记忆网络LSTM）直接从数据中学习降雨-径流关系。早期研究表明，在多个流域上训练的区域LSTM模型可优于传统水文模型的日流量模拟（Kratzert等，2019年）。这一区域学习策略在未设站流域预测中也显示出前景，因为它可从多个设站流域联合学习可迁移的水文模式，而不需要事后校准转移或参数区域化（Arsenault等，2023年）。尽管取得了进展，大多数大样本研究仍专注于日流量模拟，即使许多应用（如洪水预警和水库运行）依赖于亚日尺度水文动力学。洪水峰值常在数小时内涨落，实际效用取决于峰值大小和时相的预测精度。逐时降雨-径流模型可提供快速径流响应信息，这些信息在日分辨率下可能被平滑或掩盖。近期高分辨率数据集（如CAMELS-US、CAMELSH和CAMELS-SPAT）使大样本逐时建模成为可能。先前的日尺度LSTM研究通常使用一年回看期（365天输入序列预测最后时间步流量）。若在逐时分辨率下保留相同回看期，输入序列将比日尺度长24倍。序列长度增加对传统LSTM尤其具有挑战性，因其隐状态按时间顺序更新。在逐时分辨率下处理完整的一年回看窗口不仅计算昂贵，还可能导致训练不稳定——过长的循环序列会使梯度传播产生数值不稳定问题。此外，很长的输入序列也使传统LSTM更难保持水文相关的长期依赖关系。随着现代水文学向高频预测和大陆至全球尺度建模发展，亟需保留LSTM优势同时高效处理长序列和大规模数据集的架构。多时间尺度LSTM方法通过以较粗分辨率表示遥远过去、同时保留较近条件的细分辨率信息，来解决亚日降雨-径流建模的长序列负担。Gauch等（2021年）引入MTS-LSTM及其共享单元变体sMTS-LSTM，以多种时间分辨率处理输入，无需整个回看期以逐时分辨率表示。Acu?a Espinoza等（2025年）随后提出MF-LSTM，利用单个LSTM单元处理多频率输入序列，同时允许不同频率下具有不同的输入维度。尽管逐时大样本数据集日益可用，大样本逐时降雨-径流建模研究仍相对有限。Gauch等（2021年）通过MTS-LSTM和sMTS-LSTM建立了重要基准，后续研究大多遵循这一多时间尺度策略。除基于LSTM的架构外，基于注意力的模型和状态空间模型（SSMs）最近也被探索作为替代序列骨干。J. Liu等（2024年）发现，对于日流量模拟，vanilla Transformer在大型样本基准上竞争力不如LSTM，尤其对于高流量指标；而使用卷积嵌入设计的修改Transformer达到了接近LSTM的性能。J. Liu等（2025年）进一步表明，模型排名取决于任务构建方式：LSTM在标准降雨-径流回归中保持高度竞争力，而注意力模型在仅基于历史目标观测的自回归预测和无任务特定训练的零样本预测中更具竞争力。Wang等（2025年）报告SSMs可在几个水文场景中优于LSTM，特别是在融雪驱动或间歇流流域，尽管在闪洪高流量状态下表现较弱。基于注意力的和SSM架构在序列建模中变得突出，因为它们针对两个关键挑战：表示长上下文依赖和将计算扩展到长序列与大规模数据集。传统LSTM仍是强有力的基线，因其循环状态可模拟集水区蓄泄动力学。然而，Beck等（2024年）总结道，传统LSTM受限于难以修正之前蓄积决策、存储容量有限以及隐状态间时间依赖导致的缺乏可并行性。这些局限性促使了扩展LSTM（xLSTM）的开发，它在保留LSTM循环结构的同时，用新的门控和记忆机制对其进行更新。近期水文研究已探索基于xLSTM的变体用于流量预测，但这些应用主要仍是局部案例研究，对xLSTM作为大样本水文建模骨干的专门评估仍有限。本研究对xLSTM在加拿大430个流域的大样本逐时降雨-径流建模中进行了探索性评估。我们通过将MF-LSTM架构中的LSTM骨干替换为xLSTM骨干，同时保留相同的输入表示，实现了一种多频率xLSTM架构（MF-xLSTM）。将MF-xLSTM与sMTS-LSTM和MF-LSTM进行对比。模型性能从时间外推到未见时期和空间泛化到伪未设站流域两方面评估。Kling-Gupta效率（KGE）和Nash-Sutcliffe效率（NSE）在加拿大七个水气候区域进行了进一步评估。结果表明，即使没有专门调整xLSTM特定超参数，MF-xLSTM的总体预测性能与基于LSTM的基准模型相当，在未设站流域预测中获得了更高的KGE和NSE中位数，且中位带符号FLV值更接近零。总之，本研究为在既定水文模型中用xLSTM骨干替换LSTM骨干用于未来建模应用的潜力提供了初步证据。## 部分摘要**数据集：** 加拿大为大样本降雨-径流建模提供了特别有信息量的测试区域，其广泛的水气候和地貌多样性反映在流域流量模式的显著区域差异中。加拿大各地融雪主导型、降雨主导型和混合型流量模式与不同的气候和景观条件相关。**xLSTM模块堆叠效果：** 表2比较了不同xLSTM模块堆叠配置的性能。评估一模块和二模块堆叠显示，混合配置（S-M和M-S）明显优于单一类型配置（S、M、S-S和M-M）。对于降雨-径流建模，这种互补性是合理的，因为流量预测需要同时跟踪演变的集水区状态和建模气象强迫之间的上下文依赖关联。**结论：** 本研究探讨了xLSTM是否可以作为大样本逐时降雨-径流建模的模型骨干。通过用xLSTM骨干替换MF-LSTM架构中的LSTM骨干并保留相同的多频率输入设置，实现了MF-xLSTM。在430个加拿大流域中与sMTS-LSTM和MF-LSTM进行了对比评估，包括对未见时期的时间测试、对伪未设站流域的空间测试，以及在七个区域中的评估。**CRediT作者贡献声明：**- **Jimmy Lin：** 审稿与编辑、监督、资金获取- **Qiutong Yu：** 原稿撰写、验证、软件、方法学、概念化- **Bryan Tolson：** 审稿与编辑、监督、资金获取**未引用参考文献：** Liu等，2025年；加拿大水文调查局，未注明日期**数据可用性：** MF-xLSTM源代码可在GitHub上获取（https://github.com/glenyuyuyu/MF-xLSTM）。本工作使用的水气候数据可在Zenodo上获取（https://zenodo.org/records/21207279）。**利益冲突声明：** 作者声明无任何已知的竞争性经济利益或个人关系可能影响本报告工作。**致谢：** 本研究得到加拿大环境与气候变化部支持（项目编号：GCXE25M017）。计算资源由加拿大数字研究联盟提供。