《Journal of Hydrology》：Bridging training–projection gaps in purely data-driven deep learning for runoff under climate change
编辑推荐：
本研究针对纯数据驱动深度学习模型在气候变化下的物理一致性不足问题，提出融合动态水量平衡和蒸散发模块的物理约束型LSTM框架。通过珠江流域及三个亚热带流域的验证，发现传统LSTM模型在变暖情景下径流预测异常率达61%-100%，而混合模型有效消除异常并纠正系统偏差，如珠江流域洪水风险高估78个事件/十年和干旱信号低估9个事件/十年问题，同时保持跨流域适用性。该框架为水文气候预测提供了更可靠的物理基础。
作者：岑一婷、余斌、熊睿、卢梦倩、田勇、韩峰、徐鹏、郑毅
南方科技大学环境科学与工程学院，中国深圳518055
摘要
纯数据驱动的深度学习（DL）模型在径流模拟中表现出优异的性能，但存在一个关键的训练-预测差距问题，即在气候条件发生显著变化时会产生不符合物理规律的预测结果。本研究开发了一种基于物理原理的长短期记忆（LSTM）框架，该框架结构上嵌入了动态水分平衡和蒸散模块以强化物理一致性。以中国第二大河流流域——珠江流域（PRB）以及另外三个亚热带流域作为测试平台，我们系统地评估了这一差距的存在情况，并展示了该框架克服这一问题的能力。结果表明，纯数据驱动的标准LSTM模型在升温情景下会产生61-100%的异常比例，常常将温度升高误解读为径流产生的信号。相比之下，混合框架消除了异常预测，同时保持了或提高了相对于基于过程模型和纯数据驱动模型的准确性。此外，该框架还纠正了CMIP6情景下珠江流域的系统性偏差：标准LSTM错误地放大了洪水风险（每十年最多估计多78次事件），并抑制了干旱信号（每十年最多估计少9次事件），而混合DL模型提供了符合物理规律的基准结果。该模型进一步凸显了珠江流域雨季径流的增强现象，年径流量增加了多达30%，同时季节性对比更加明显。这些流域和次流域层面的洞察为气候适应策略提供了更可靠的科学依据。总体而言，所提出的框架提供了一种灵活的、基于物理原理的架构，能够弥合训练-预测差距，推动深度学习在气候变化下的水文预测能力更上一层楼。
引言
地表径流是最容易获得的淡水来源，对生态稳定和现代社会的运作至关重要（Liu等人，2024；Wang等人，2022；Zhang等人，2023）。因此，准确预测气候变化对径流的影响对于可持续的水资源规划和管理至关重要（Tiwari等人，2025；Zhou等人，2023）。一种常见的方法是将水文模型与第六阶段耦合模型比较项目（CMIP6）的气候预测结果结合使用，这些预测基于不同的排放情景（例如SSP245和SSP585）（Hou等人，2023；Zheng等人，2024）。几十年来，基于过程的水文模型（PBMs）因其能够明确表示水文循环的关键组成部分而被广泛应用于从流域到全球的尺度（Li等人，2024）。然而，它们的广泛应用常常受到结构和参数化限制的制约：简化的模型结构可能限制了它们捕捉复杂非线性水文气象响应的能力，而参数化和校准仍然具有不确定性（Kim等人，2026），并增加了计算和实际操作的负担（He等人，2024）。
近年来，深度学习（DL）模型在水文建模中显示出巨大潜力（Reichstein等人，2019；Yoon和Ahn，2025），成功应用于流量、土壤湿度和水位等变量（Ahmed等人，2022；Kratzert等人，2018；Liu等人，2022；Yoon和Ahn，2024）。DL模型在历史径流模拟中的出色表现促使人们将其直接应用于未来预测（Lazin等人，2025）。然而，很少有研究深入探讨纯数据驱动模型（即网络架构或损失函数中未明确纳入物理原理的神经网络模型）在气候条件发生显著变化时是否能够保持物理一致性，以及如何解决由此产生的训练-预测差距问题。事实上，新兴证据表明，缺乏物理约束的纯数据驱动模型容易学习到虚假或不符合物理规律的关系，尤其是在超出训练域进行外推时（Adera等人，2024；Guan等人，2025；Jia等人，2019；Wang等人，2020；Wi和Steinschneider，2022）。Wi和Steinschneider（2022）通过一个富有启发性的例子表明，在降雨量不变的情况下，纯DL模型产生的径流预测违反了某些流域的基本水分平衡原理。他们的研究还指出，常见的缓解策略（如使用大型多样化的流域数据集或将PBMs的输出作为额外输入）无法完全解决这一问题，这凸显了纯数据驱动方法的根本局限性。
提高DL物理一致性的最常见方法是在损失函数中使用水文知识作为软约束（Chen等人，2025；Ni等人，2025；Xue等人，2025）。例如，Xue等人（2025）通过构建一个定制的损失函数开发了一种基于物理机制的长短期记忆（LSTM）模型，该函数强制降水与径流之间的单调关系作为不等式约束，并通过近期降水进行加权，以在模型训练期间起到物理规范化作用。然而，这种方法存在根本局限性。它通常需要外部计算关键变量，更重要的是，当用于训练的观测数据未能完全遵循所强加的物理原理时，其有效性值得怀疑（Beven，2020；Nearing等人，2021）。这种不完美数据与理想化物理定律之间的潜在冲突意味着损失函数约束可能无法可靠地解决物理不一致性问题，因此需要更直接的综合方法。
最近的研究提出了将物理原理与神经网络（NNs）紧密结合的可微分建模框架，通过将水文模型转换为NNs并将其与纯数据驱动组件连接起来（Shen等人，2023）。例如，Jiang等人（2020）将一个集总水文模型（EXP-HYDRO）转换为循环神经网络（RNN），并使用另一个NN进行误差校正，从而提高了径流预测和物理推断的准确性。Feng等人（2022）引入了一种基于可微分和可学习的HBV的模型，该模型使用嵌入式NN，在可微分编程框架中进行训练，以参数化、增强或替换PBMs的模块。Wang等人（2024）通过编码一个更复杂的分布式水文模型（HydroPy）并将其潜在的蒸散（PET）模块替换为NN，实现了模拟径流及相关变量（如PET）的极高保真度和物理合理性。这种混合建模框架强化了严格的水文原理，实现了PBMs和DL的共生整合。然而，由于这些方法通常以固定的水文模型为基础，纯数据驱动组件主要起辅助作用，这本质上限制了模型捕捉未充分表示过程的能力，可能导致模拟精度的上限（Feng等人，2024）。此外，PBMs本身可能在不同流域之间的泛化能力较弱，进一步限制了混合框架的灵活性和适应性（Kraft等人，2022）。
另一种新兴方法是重新设计DL架构，使物理定律得到内在强制，其中质量守恒是最显著的例子（Hoedt等人，2021）。这导致了诸如质量守恒LSTM（MC-LSTM）（Wang等人，2025；Wang和Gupta，2024）等架构的出现，在这种架构中，记忆单元充当质量累积器，门控机制直接调节流入、储存和流出之间的转移。通过硬编码这一约束，LSTM本身成为一个紧密耦合的非模块化单元。尽管如此，这种方法并未明确解决超出水分平衡的物理约束，其紧密集成的结构限制了明确纳入或更新特定水文子过程（如复杂的蒸散动态）的灵活性。另一种为水库释放模拟提出的更灵活的策略是在LSTM层中添加一个显式的存储状态（Yu等人，2025）。这种设计提高了可解释性，因为模拟的存储遵循物理定律，并且可以在有观测数据时与其进行比较。其模块化还允许根据需要纳入其他物理约束（如操作限制）。然而，这种方法仅限于蒸发通常简化为温度依赖的水面损失的水库系统。将这种设计扩展到流域尺度的水文系统是不够的，因为它缺乏表示受土壤湿度和能量约束控制的非线性多因素蒸散过程的能力。相比之下，我们的基于物理原理的框架引入了一种模块化架构，将物理水分平衡框架与数据驱动的参数化分离，增强了灵活性、可解释性和复杂流域尺度应用的扩展性。
本研究系统地研究了气候变化下纯数据驱动DL模型在径流预测中的训练-预测差距问题，重点关注没有常年积雪的亚热带流域。尽管这类模型在历史条件下通常具有很强的预测性能，但它们在非平稳气候强迫下的结构一致性仍不确定。珠江流域（PRB）——中国第二大河流流域，也是中国南方最大的流域——作为主要测试平台，另外还使用了三个具有代表性的亚热带流域来评估研究结果的普遍性。本研究解决了三个关键问题：1）在气候变化下，纯数据驱动的神经网络模型在代表性亚热带流域中的训练-预测差距有多普遍和严重？2）如何开发一种简洁的水分平衡编码LSTM框架，以在保持跨流域通用性的同时增强气候变化预测的物理一致性？3）特别是在PRB中，纯数据驱动模型的预测偏差将如何影响对未来洪水和干旱风险的评估？本研究不是追求预测精度的渐进式提升，而是专注于提高基于DL的径流预测在非平稳气候条件下的物理一致性和鲁棒性。所提出的框架具有模块化的物理编码设计，可以灵活地应用于不同流域，以弥合训练-预测差距，从而支持气候影响评估和水资源管理。
研究区域
珠江流域（PRB，图1）位于中国南部（北纬21°31′至26°49′，东经102°14′至115°53′），是本研究的主要研究区域。它主要由三个子流域组成：西江流域（XRB）、北江流域（BRB）和东江流域（DRB）。PRB具有亚热带季风气候，年平均气温在21至23°C之间，年平均降水量在1300至2500毫米之间（Yang等人，2023）。
珠江流域的模型性能
图3显示了混合模型生成的日径流模拟结果。具体而言，混合模型在BRB中取得了最高的预测准确性，在测试数据集上的NSE值为0.94（图3b）。在XRB和DRB中也观察到了高性能，NSE值分别为0.89和0.85（图3a和c）。其他拟合优度指标（KGE、r和Pbias）进一步证实了混合框架在再现流域尺度上的一致性和可靠性。
解决训练-预测差距问题
我们的结果提供了多流域证据，证明了纯数据驱动深度学习模型中训练-预测差距的普遍性和严重性。这种差距表现为在新气候条件下产生不符合物理规律的预测结果，这与早期警告不要简单外推数据驱动模型的研究结果一致（Wi和Steinschneider，2022）。我们通过探讨其根本原因来扩展这一理解：纯数据驱动模型倾向于捕捉统计上的相关性...
结论
本研究解决了纯数据驱动DL模型中的一个关键训练-预测差距问题，这导致在气候变化下产生不符合物理规律和系统偏差的径流预测。在六个亚热带季风流域的测试中显示，标准LSTMs在升温情景下产生的异常比例为61-100%，常常将温度升高误解读为径流产生的信号。通过将水分平衡和蒸散过程嵌入LSTM架构中，我们的混合框架...
未引用的参考文献
Nash和Sutcliffe，1970；广州市人民政府，2024。
CRediT作者贡献声明
岑一婷：撰写——原始草稿、软件、方法论、正式分析。
余斌：撰写——审稿与编辑、方法论。
熊睿：撰写——原始草稿、可视化、方法论、资金获取、正式分析、数据管理、概念化。
卢梦倩：撰写——审稿与编辑、资金获取。
田勇：软件、数据管理。
韩峰：方法论。
徐鹏：撰写——审稿与编辑、资金获取。
郑毅：撰写——审稿与编辑、监督：
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号42321004和42407072）和香港研究资助委员会的合作研究基金（项目编号C6032-21G）以及一般研究基金（项目编号16300424和16215820）的支持。此外，还得到了高级大学特别基金（项目编号G030290001）和广东省自然科学基金（项目编号2023A1515012280）的资助。
关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作期间...
