基于路径-年龄神经传输算子的解析出口状态识别实现了人类活动影响流域的跨域径流预报

《Journal of Hydrology》：Analytic outlet-state identification in a pathway-age neural transport operator enables cross-domain streamflow forecasting in human-affected basins

　　

•OGPAT 通过分析计算从出口流量识别出神经网络水状态。
•观测方程强制执行精确的发布时通量一致性。
•一个保守型路径 - 年龄台账生成完整的预报。
•在 224 个参考流域上进行训练，可无需目标流域拟合即可迁移。
•与两个相同输入的神经网络对照相比，峰值误差降低了 29–38%。

引言
短期径流预报始于一个无法直接观测的质量状态。降雨历史和流域属性限制了该状态，但它们并不决定预报发布时存在多少活动水、这些水如何在响应路径中组织，或者它们多快能到达出口。初始状态中的误差会传播到整个预报期，并直接扭曲高流量和洪峰。
长期以来，径流观测一直被用于减少这种不确定性。基于过程的系统通过比率规则、卡尔曼滤波或变分同化更新土壤、地下水或调蓄储存量（Clark et al., 2008, Demirel et al., 2013, Kim et al., 2005, Liu et al., 2012）。神经网络降雨 - 径流模型通常将近期流量与气象预测因子串联（Feng et al., 2020, Kratzert et al., 2018）。最近的业务比较正式化了三种相关策略：基于观测流量的直接预测、降雨 - 径流预报的增强，以及学习式误差校正（Jeong et al., 2024, Saint-Fleur et al., 2026）。区域神经网络模型可以学习流域群体间共享的降雨 - 径流行为，并迁移到拟合中被排除的位置（Gauch et al., 2021, Kratzert et al., 2019b, 2019a）。所有这些方法都利用了当前流量或区域数据中的信息；但没有一种为神经网络流域状态所携带的质量定义精确的观测方程。
保守型神经水文学解决了问题的另一部分。MC-LSTM 和质量守恒感知器模型通过学习的储存和输出状态路由非负输入质量（Frame et al., 2022, Hoedt et al., 2021, Sahu et al., 2026, Wang et al., 2025, Wang and Gupta, 2024a, 2024b）。可微分单位线模型同样将质量守恒调蓄直接嵌入到前向计算中（Chen et al., 2026）。水龄和 StorAge 选择理论提供了自然的状态几何结构：流域水是年龄上的概率分布，径流从该分布中选择质量（Benettin et al., 2022, Harman, 2015, Porporato and Calabrese, 2015）。近期的神经网络工作可以根据水文和示踪剂数据估计时变传输时间分布（Duchemin et al., 2026）。守恒定律指定了所代表的水的去向，水龄理论指定了它的组织方式。两者都没有提供缺失的预报算子，该算子将观测到的出口通量转换为初始神经网络状态的质量。
这也是解释神经网络状态与使其在水文学上可观测之间的分界线。隐藏坐标可以与储存和响应概念相关，而无需定义测量的水通量如何约束它们的质量（De la Fuente et al., 2024, Lees et al., 2022）。物理引导和可微分水文学要求状态、观测映射和过程定律在一个计算对象中指定（Feng et al., 2022, Nearing et al., 2021, Shen et al., 2023）。
近期研究通过基于流量的预测和误差校正（Saint-Fleur et al., 2026）、状态和强迫更新（Jamaat et al., 2025），或遥感、偏差校正和分解（Riazi et al., 2025）来纳入观测数据。表 S3 将这些构建与 OGPAT 的无参数初始质量方程进行了比较。
预报问题在于当前的出口流量如何决定学习状态中的水量。组分描述了路径和年龄之间的相对水分分布；释放泛函将储存量映射为流量。区域学习提供了这两者。它们的观测方程决定了由该组分定义的状态射线上总储存量，即广延坐标。
这个缺失的算子是本研究的贡献。设???? 为学习的概率状态，??? 为其学习的出口释放泛函。我们定义???(????;????,???)=????????,??????????。
该映射返回???? 射线上的唯一非负状态，其模型出口通量等于观测值????。因此，一个方程消除了神经网络状态中否则不受约束的径向自由度。由此产生的出口量测路径 - 年龄传输（OGPAT）从精确的边界一致质量测度开始每次预报，并通过生成未来径流的相同保守过程推进该测度。
OGPAT 是第一个当代出口流量通过分析计算识别出学习的质量承载流域状态的广延坐标的神经水文学算子。这是论文的算法创新。路径 - 年龄坐标定义状态射线，出口泛函定义其观测几何，分析映射在预报展开前固定其质量。完整的未来水文曲线随后作为该识别状态的出口边缘分布产生，而不是通过单独的更新或后处理器。
唯一性证明确立了状态识别。历史和配对的自由径向父模型测试其在传输架构内的预测效果；配对测试匹配活动参数、起始权重和训练。相同输入的序列模型测试当前流量的直接使用。从 224 个流域到 173 个流域的迁移测试了拟合之外的泛化能力（表 S19）。
我们测试三个假设：出口量测概率状态识别强制执行精确的边界一致性、非负性、有限储存支持和质量平衡；将可传输的状态组分与局部观测的状态幅度分离，相对于无量测传输父模型和两个相同输入的神经网络序列模型，改进了完整、高流量和峰值预报；并且这种改进无需目标流域拟合，从极少干扰流域迁移到先前未触及的 GAGES-II 非参考流域。最终测试包含 173 个人类影响流域、九个聚合生态区和超过 135 万个完整的 18 小时预报发布。队列选择、模型拟合、外部推理和评分是分离的，以确保没有外部响应通知模型、检查点、子组或阈值。

章节片段
材料与方法
方法从研究群体和数据（2.1 研究区域和理由，2.2 数据来源、预测因子和质量控制，2.3 主要外部迁移设计）开始，到算子和拟合（2.4–2.7），再到比较和诊断（2.8–2.10）。框 1 给出了有序的预报计算。

结果
结果涵盖精确的算子恒等式、跨对照和流域条件的预报误差以及预测区间校准。最终比较在相等活动容量和配对训练下隔离了初始质量识别（表 S19）。

出口流量识别广延状态坐标
核心结果是，一旦状态被表示为概率组合并与学习的观测算子配对，标量出口观测就变得足以识别高维状态的广延坐标。OGPAT 并不独立推断所有 72 个质量。相反，它学习相对组织??，学习这种组织如何通过?释放，并为总储存量求解一个标量边界方程。这消除了一个否则不受约束的自由度

结论
OGPAT 将分析性出口 - 状态识别引入神经水文学作为一种新的算子原则。其定义映射???(????;????,???)=?????????/∑?????????? 返回学习的水文射线上满足观测出口通量的唯一状态。因此，它消除了不受约束的绝对储存坐标，强制执行精确的发布时边界条件，并且不添加任何学习参数。
结构保证是精确的，且预报效果是广泛的。在 173 个先前未触及的

数据和代码可用性
CAMELSH 流域属性和源数据可通过与 Tran et al. (2025) 相关的数据集存储库公开获取。国家水模型强迫数据由 NOAA/NCEP 分发，瞬时流量可通过美国地质调查局（USGS）水服务接口获取。发布包将包括冻结的队列标识符、预处理代码、模型代码、检查点哈希、重现每张表和图所需的预测级源数据以及注册的决策工件。这

CRediT 作者贡献声明
Xue Li：撰写 - 原稿，验证，软件，项目管理，方法论，形式分析，数据整理，概念化。
Li Wang：撰写 - 审阅与编辑，资源，概念化。
Jian Sha：撰写 - 审阅与编辑，监督，项目管理，概念化。

资助
本研究未获得公共、商业或非营利部门资助机构的任何特定资助。

未引用参考文献
Kratzert et al., 2019a, Nash 和 Sutcliffe, 1970。

利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些可能似乎会影响本论文报告的工作。

致谢
作者感谢美国地质调查局提供瞬时径流和 GAGES-II 资源，感谢 CAMELSH 团队提供流域属性和源数据，感谢 NOAA/NCEP 提供本研究中使用的国家水模型业务气象强迫档案。

Xue Li|Li Wang|Jian Sha