《Journal of Hydrology》:Hybrid process-based and deep learning for river nutrient prediction under limited monitoring data
编辑推荐:
准确模拟河流营养物动态在监测数据有限的流域中仍具挑战性,因为过程模型(process-based models, PBMs)与数据驱动方法在此类条件下均面临制约。本研究探讨了将PBM模拟与长短期记忆(long short-term memory, LSTM)网
准确模拟河流营养物动态在监测数据有限的流域中仍具挑战性,因为过程模型(process-based models, PBMs)与数据驱动方法在此类条件下均面临制约。本研究探讨了将PBM模拟与长短期记忆(long short-term memory, LSTM)网络相结合的混合建模策略,以预测英国伦敦Salmons Brook流域出口的氮、磷浓度。研究人员设计了两组情景,分别评估:(i)极端天气指数作为输入特征的作用;(ii)将水系统综合建模框架(Water Systems Integrated Modelling framework, WSIMOD)的不同输出集成至LSTM架构的价值。结果表明,所选混合PBM-LSTM模型优于经验LSTM和独立WSIMOD模拟。对于磷,纳入极端天气指数提升了模型性能,这反映了磷对高温和强降水事件的敏感性;而氮的预测性能有所下降,提示既往水质观测的记忆信息具有更强的预测价值。混合设计间的比较进一步表明,模拟的入河前营养物负荷比河内营养物过程为LSTM模型提供了更强的约束。上述发现强调了在LSTM框架中针对特定营养物设计观测输入的必要性,并证明PBM-LSTM混合方法相较独立LSTM或PBM模拟在预测改善方面具有广阔前景。此外,不同建模配置的性能比较有助于理解LSTM网络保留或丢弃信号的类型,从而增进深度学习(deep learning, DL)应用在河流水质预测中的可解释性。
**论文解读:基于过程模型与深度学习混合方法在有限监测数据下的河流营养物预测**
**一、研究背景与科学问题**
城市化与工业化进程导致河流氮、磷营养物污染日益加剧,对供水安全和水生生态系统构成严重威胁。精准的营养物浓度预测是实现河流可持续管理、早期预警及治理策略评估的关键支撑。传统上,过程模型依托物理或概念性方程模拟水文与生物地球化学过程,具有良好的可解释性,但面临高数据需求、参数不确定性大以及向新区域迁移能力有限等挑战,在监测稀疏或校准能力不足的流域尤其受限。近年来,以长短期记忆网络为代表的深度学习模型在水文预测领域取得显著成功,但在水质预测中的应用进展相对缓慢,主要受制于两方面瓶颈:其一,水质观测数据通常稀疏、不规则且获取成本高昂,极大限制了数据驱动模型在真实场景中的有效性与泛化能力;其二,深度学习模型缺乏物理可解释性,不显式表达控制营养物运移的潜在过程。为应对上述挑战,将过程模型与深度学习相结合的混合建模策略应运而生。然而,现有研究多直接将气象时间序列输入深度学习模型,较少探讨衍生极端天气指数的增益效应;同时,过程模型的模块化结构提供了多个潜在集成节点,但集成阶段对混合模型性能的影响尚不明确。基于此,本研究聚焦三个核心问题:极端天气指数能否作为LSTM营养物模拟的有效输入特征?LSTM与WSIMOD的集成能否提升预测性能,且在WSIMOD模拟链的哪一阶段集成收益最大?不同建模配置的比较结果能揭示LSTM网络在模拟营养物动态时如何保留或丢弃既往事件记忆?该研究发表在《Journal of Hydrology》。
**二、研究设计**
研究人员以英国伦敦Salmons Brook流域为研究区,利用2000—2015年月度水质监测数据(共192个样本)和E-OBS网格气象数据,构建了两类模型体系:仅依赖观测数据的经验LSTM模型,以及额外纳入WSIMOD过程模型输出的混合PBM-LSTM模型。研究设计了A、B两组情景变量——A组区分是否纳入极端天气指数(A1为仅水质指标,A2为水质指标加四个核心ETCCDI极端天气指数),B组区分混合集成阶段(B1为WSIMOD模拟的入河前营养物负荷,B2为观测与模拟河内浓度残差),由此形成四种混合配置(H-A1B1、H-A1B2、H-A2B1、H-A2B2)及两种经验LSTM配置(LSTM-A1、LSTM-A2),并以独立WSIMOD模拟作为基准。针对溶解性无机氮和可溶性活性磷分别设计了特定的LSTM架构,采用五折时间序列交叉验证策略进行训练与评估,以MAE、Pearson相关系数、决定系数和纳什-萨特克利夫效率等指标衡量模型性能。
**三、关键技术方法**
研究采用的主要技术方法包括:其一,WSIMOD过程模型,该模型以模块化、组件化方式模拟城市-农村水量水质,将营养物产生、迁移路径和河内过程编码为节点-弧段结构,研究中以日步长运行并提取入河前负荷和河内浓度输出;其二,LSTM深度学习网络,通过输入门、遗忘门和输出门的门控结构实现时间序列长期依赖的捕捉,针对DIN和SRP分别配置双层LSTM加密集层的架构;其三,Spearman秩相关分析进行辅助水质指标的特征筛选;其四,IQR异常值剔除与Box-Cox变换对预测目标进行预处理;其五,基于ETCCDI定义的四个极端天气指数(TXx、TXM、Rx1day、Rx5day)由日气象序列经RClimDex软件计算并聚合至月尺度;其六,Min-Max归一化与滑动窗口方法将多变量序列转化为监督学习格式,配合五折时间序列交叉验证保障性能评估的稳健性。
**四、研究结果**
**(一)辅助水质指标的筛选**
基于Spearman秩相关分析,SRP与溶解氧呈显著负相关(ρ = ?0.527,p = 4.106 × 10?1?),与水温、pH亦显著相关;DIN仅与溶解氧显著相关(ρ = 0.171,p = 0.018)。据此,SRP模型纳入pH、水温和溶解氧全部三项辅助指标,DIN模型仅纳入溶解氧。
**(二)建模配置的比较分析**
**1. 极端天气指数的影响(A1与A2对比)**:纳入极端天气指数对两种营养物的影响截然相反。对SRP而言,A2情景在经验LSTM和混合PBM-LSTM配置中均一致优于A1——经验LSTM的NSE由0.085升至0.161,混合B1配置的NSE由0.130升至0.173。对DIN而言,A2情景导致所有配置产生负NSE值,表明预测精度不及简单使用观测均值。DIN动态相对稳定且呈季节性规律,既往观测本身已蕴含有效的预测信号,额外引入的极端天气指数反而成为噪声。
**2. 不同WSIMOD特征混合策略的对比(B1与B2对比)**:对两种营养物而言,入河前负荷混合策略(B1)均优于河内浓度残差混合策略(B2)。以SRP在A2情景下为例,B1的NSE(0.173)高于B2(0.151);以DIN在A1情景下为例,B1的NSE与R2分别为0.163和0.216,优于B2的0.119和0.194。该结果表明,集成位置越靠近模拟链上游(入河前负荷),过程模型为LSTM提供的信息越富含机理相关意义;而河内营养物过程模拟可能引入了不利于LSTM学习的误导性记忆。
**(三)混合PBM-LSTM与经验LSTM及WSIMOD的对比**
选定DIN的最优混合配置为H-A1B1,SRP的最优混合配置为H-A2B1。比较结果显示,两种营养物的最优混合配置均优于对应的经验LSTM模型(DIN:NSE 0.163对0.141;SRP:NSE 0.173对0.161),表明过程模型输出的物理信息有效增强了数据驱动预测。同时,所有LSTM类模型(无论是否混合)均大幅优于独立WSIMOD模拟——WSIMOD对DIN的NSE低至?0.876,对SRP的NSE仅0.054。分布诊断进一步显示,各模型均能捕捉观测均值但难以复现全范围变异,尤其是极端峰值。
**五、讨论与结论**
讨论部分围绕三项核心贡献展开。第一,营养物特定的输入设计在数据有限条件下至关重要——SRP受益于表征暴雨脉冲的极端天气指标,而DIN则更依赖既往水质记忆,单一输入设计无法适用于所有指标。第二,月尺度极端天气指数与水质观测频率匹配但平滑了事件尺度信号,限制了模型对高值峰值的复现能力;空间迁移性预期取决于土地利用和主导迁移路径,CAMELS-GB等大型样本数据集可为跨流域分析与特征设计提供支撑。第三,混合建模相对经验LSTM和独立WSIMOD均取得性能提升,且入河前负荷作为中间状态为LSTM提供了历史输入中难以可靠恢复的过程信息;未来工作需通过更紧密的双向耦合、可解释AI工具及更频繁的系统性水质监测进一步推进。
研究结论可归纳为三点:其一,特征选择必须营养物特异性——极端天气指数提升SRP预测但降低DIN性能,反映二者迁移机制的根本差异;其二,混合化增强预测技能——所选PBM-LSTM配置优于经验LSTM和WSIMOD,入河前营养物负荷为LSTM提供比河内过程更有效的约束,该发现需在多案例中验证;其三,混合模拟为深度学习模拟提供可解释性洞见——通过在不同阶段集成过程输出,可识别LSTM模拟中最具信息量的过程记忆。总体而言,该研究是理解混合PBM-DL建模策略在河流营养物预测中潜力与局限的初步探索,未来需纳入更广泛的环境数据集并在多样流域中系统验证。