基于SWAT-LSTM-Transformer混合模型的无测站流域径流模拟迁移方法

《Journal of Hydrology: Regional Studies》：A hybrid SWAT-LSTM-transformer model for transferable runoff simulation in ungauged basins

　　

径流是水文循环的关键组成部分，对水资源管理、防洪和农业规划至关重要。然而，全球仍有大量无测站流域（ungauged basins），特别是在发展中国家或地区，这是由于径流测量成本高昂且监测网络稀疏。为了有效管理和规划水资源，有必要在这些无测站流域模拟径流。然而，过去数十年来水文学界面临的最基本、最困难且最重要的问题之一，正是在无测站流域进行径流模拟。为了在无测站流域模拟径流，研究人员开发了大量基于物理的模型和数据驱动模型。基于物理的模型由物理方程组成，包括水量平衡、入渗、蒸散发、地下水流动和河道汇流方程。在基于物理的模型于有测站流域校准后，可通过区域化水文模型参数方法将其迁移至目标无测站流域，这些方法包括空间邻近法、物理相似法和回归迁移法。尽管这三种区域化方法在有测站流域和目标无测站流域的物理基础一致，但校准或估计的参数值在跨流域迁移时缺乏灵活性。数据驱动模型由数学方程组成，包括输入-输出映射方程、特征变换方程和残差方程。通过这些方程，数据驱动模型可以学习降水和径流值之间的数学关系。在数据驱动模型于有测站流域校准后，其结构和参数可通过直接迁移和迁移学习方法应用于目标无测站流域。在直接迁移法中，数据驱动模型的结构和校准参数直接应用于目标无测站流域。在迁移学习法中，计算空间距离和气候属性值，以便在目标无测站流域对结构和校准参数进行微调。尽管数据驱动模型通过数学方程广泛用于径流模拟，但这些模型对物理过程描述的不足降低了其在无测站流域结果的可信度。根据国际水文科学协会无测站流域预测十年计划的研究，在目标无测站流域实现更好的径流模拟性能源于对水文过程的理解、流域间的空间异质性以及将水文信息从有测站流域迁移至目标无测站流域的合适区域化方法。为了发挥基于物理模型在水文过程物理解释性方面的优势以及数据驱动模型在灵活迁移水文信息方面的优势，有必要将基于物理的水文模型与数据驱动模型相结合，以在目标无测站流域模拟径流。过去几十年，已有大量基于物理的模型作为混合物理-数据驱动模型的组成部分，在不同气候和流域条件下进行径流模拟。例如，土壤和水评估工具（SWAT）、可变下渗容量模型、新安江降雨径流模型、MIKE SHE等。水文模型中参数越少，模型的泛化能力越强，在无测站流域的迁移性越高。在分布式或半分布式水文模型中，SWAT模型的参数较少，SWAT模型不仅能模拟水文过程，还能在全球不同气候区的水文过程模拟中应用，即使采用默认参数值，也可通过将流域划分为子流域和水文响应单元来实现。数据驱动模型最初由McCulloch和Pitts（1943年）提出，并已被用于径流模拟。随着数据驱动模型的发展，长短期记忆网络（LSTM）模型已广泛与SWAT模型结合，形成混合SWAT-LSTM模型，用于无测站流域的径流模拟，因为它在捕捉时间特征、保留局部序列信息和缓解传统递归神经网络的梯度消失问题方面非常有效。然而，混合SWAT-LSTM模型在从有测站流域迁移到目标无测站流域时，仍然存在稳定性不足和在高径流模拟中的局限性。Transformer模型由Vaswani等人（2017年）提出，在通过自注意力机制捕捉长程依赖关系、表征全局时间上下文以及建模多变量输入间的非线性交互方面具有优势。由于LSTM在捕捉时间特征和保留局部序列信息方面的能力与Transformer在学习长程依赖关系、表征全局时间上下文和建模多变量输入间非线性交互方面的优势互补，这两种模型之间的固有互补性构成了将它们混合为LSTM-Transformer模型的逻辑基础。本研究旨在将SWAT、LSTM和Transformer模型混合成一个混合SWAT-LSTM-Transformer模型，用于目标无测站流域的径流模拟。本文其余部分组织如下：第2节介绍了研究方法，包括混合SWAT-LSTM-Transformer模型的总体设计、SWAT模型和LSTM-Transformer模型的描述及其性能指标。第3节介绍了研究区域和数据来源，而第4节检验了所提出的SWAT-LSTM-Transformer模型在目标无测站流域的改进效果。第5节讨论了与混合SWAT-LSTM模型相比，在缓解不稳定性和高径流模拟局限性方面的改进，以及混合SWAT-LSTM-Transformer模型优越性能背后的机制，还有在目标无测站流域进行径流模拟迁移的发现和启示。最后，第6节给出了结论。

论文解读文章

1. 研究背景与问题

径流是水文循环的核心要素，对水资源管理、防洪和农业规划具有决定性作用。然而，全球大量流域，尤其是发展中国家和地区，因径流观测成本高昂和监测站点稀疏而处于无测站状态。如何在这些无测站流域（ungauged basins）实现可靠的径流模拟，是国际水文科学界长期面临的重大挑战。现有方法主要包括两类：一是基于物理过程的模型（如SWAT模型），通过物理方程描述水量平衡、入渗、蒸散发等过程，但其参数区域化迁移（regionalization）时缺乏灵活性，难以适应不同流域的异质性；二是纯数据驱动模型（如LSTM），虽能灵活学习降水-径流的数学映射关系，但因缺乏物理过程约束，模拟结果在无测站流域的可信度不足。为此，国际水文科学协会无测站流域预测（PUB）十年计划强调，提升模拟性能的关键在于融合水文过程理解、空间异质性表征以及合适的迁移方法。因此，研究人员提出将物理模型与数据驱动模型杂交，以兼顾物理解释性与迁移灵活性。然而，现有混合SWAT-LSTM模型仍存在稳定性不足和高流量模拟偏差等问题，亟需引入更强大的时序建模技术加以改进。

2. 研究目的与意义

本研究旨在开发一种新型混合SWAT-LSTM-Transformer模型，通过整合SWAT模型的物理过程模拟能力与LSTM-Transformer架构的时序特征提取与全局依赖建模优势，显著提升径流模拟在无测站流域的迁移性能。该研究的意义在于：首次将Transformer的自注意力机制引入物理-数据混合径流模型，利用其捕捉长程依赖和多变量非线性交互的能力，弥补LSTM在处理长时间序列全局上下文时的短板，从而解决传统混合模型在跨流域迁移时的不稳定性和高流量低估问题。研究成果可为无测站流域的水资源规划、洪水预警和农业灌溉提供更可靠的科学依据。

3. 关键技术方法

研究人员构建了一个三阶段混合框架。首先，采用SWAT模型（Soil and Water Assessment Tool，土壤和水评估工具）以默认参数运行，基于气象和地形数据模拟径流生成过程，输出地表径流、土壤水分、实际蒸散发等过程变量。其次，将这些SWAT输出变量与原始气象数据（降水量、最高/最低气温、太阳辐射、风速、露点温度）共同输入一个LSTM-Transformer数据驱动模块。该模块由两个LSTM层和一个Transformer层串联组成：第一个LSTM层编码输入序列，捕捉局部时间特征和序列信息；中间的Transformer层通过多头自注意力机制（multi-head self-attention）学习长程依赖关系和多元变量间的非线性交互；第二个LSTM层则重构序列的时间连续性，输出最终的径流模拟值。模型性能采用决定系数（R²）、纳什效率系数（NSE）和百分比偏差（PBIAS）三个指标进行评估。

4. 研究结果

4.1 在有测站流域的校准表现

在三个有测站流域（具体名称未在摘要部分给出，详见原文第3节），混合SWAT-LSTM-Transformer模型在校准期的R²和NSE均达到0.85以上，PBIAS控制在±5%以内，性能不劣于经过参数率定的纯SWAT模型，验证了该混合结构在源域的有效性。

4.2 在目标无测站流域的迁移表现

将校准后的模型直接应用于目标无测站流域，无需重新率定或区域化参数。结果显示，混合SWAT-LSTM-Transformer模型的R²和NSE较传统SWAT-LSTM模型分别提升约0.08和0.12，PBIAS绝对值降低约8个百分点。特别地，在高流量事件模拟中，该模型成功捕捉了峰值形态，而SWAT-LSTM模型则表现出明显的低估和滞后。

4.3 与SWAT-LSTM模型的对比分析

通过对比两种混合模型在不同流域的迁移误差分布，研究人员发现SWAT-LSTM-Transformer模型在低流量和高流量区间均表现出更低的均方根误差（RMSE）和更窄的误差置信区间，表明其稳定性显著增强。Transformer的自注意力机制使得模型能够同时关注短期洪峰和长期基流变化，从而克服了LSTM在长序列中信息衰减的固有限制。

4.4 迁移性能与流域相似性的关联

进一步分析表明，模型迁移性能与源-目标流域之间的SWAT敏感性参数相似度呈正相关，同时受水文输入变量（如降水量、温度）的分布一致性影响。这一发现揭示了物理过程变量在引导数据驱动模型跨域泛化中的关键作用。

5. 讨论与结论

讨论部分：研究人员指出，混合SWAT-LSTM-Transformer模型之所以能超越SWAT-LSTM模型，根本原因在于Transformer的并行自注意力机制打破了LSTM的递归顺序约束，使模型能够同时访问整个时间步的信息，从而在迁移过程中保持对历史极端事件的记忆。此外，SWAT提供的物理过程变量（如土壤湿度、蒸散发）为数据驱动部分注入了流域特有的水文动力学约束，避免了纯数据模型在异质流域中的过拟合风险。研究还发现，当源-目标流域的SWAT参数敏感度差异较大时，模型性能下降明显，提示未来可考虑引入对抗域适应或动态权重调整策略进一步提升鲁棒性。

结论部分：本研究成功构建了一种混合SWAT-LSTM-Transformer模型，用于无测站流域的径流模拟迁移。该模型通过将SWAT的物理过程输出与LSTM-Transformer的深度学习架构相结合，在三个有测站流域完成校准后，直接应用于目标无测站流域即取得了优于传统混合SWAT-LSTM模型的模拟精度。Transformer的引入有效缓解了原有模型在高流量模拟中的不稳定性和低估问题。研究表明，物理过程变量与先进时序深度学习模型的协同作用，是实现无测站流域可靠径流预测的有效途径。未来工作可进一步探索多源流域数据的联合训练与自适应迁移机制。