基于物理信息的门控变换器，通过方差约束学习方法，在数据稀缺的小流域中实现可靠的山洪预报

《Journal of Hydrology》：Physics-informed gated transformer for robust flash flood forecasting in data-scarce small catchments via variance-constrained learning

　　

魏思琪|王协康

摘要

在数据稀缺的小流域中，精确的洪水预警预报仍然是一个持续的挑战，这主要是由于监测网络稀疏、空间尺度不匹配以及输入数据噪声较大所致。本研究提出了一种基于物理信息的门控Transformer模型，并结合了方差约束学习机制。与硬约束的物理信息神经网络不同，该框架将水文机制作为软性的归纳偏差来使用。首先，它通过因果严格、无泄漏的基流分离方法和饱和度-超额有效降雨量来对解空间进行物理约束；其次，采用门控残差网络动态过滤多源输入中的高频噪声；第三，通过数学形式化定义的方差约束多步损失函数，明确惩罚洪水峰值的衰减。在洪水频发的高山河流域的应用表明，所提出的架构在1小时预警时间内能够实现具有竞争力的预报精度，有效缓解了系统性的相位滞后问题，并且其性能优于经过严格重新校准的基准模型（包括HBV模型，NSE = -0.044）和标准LSTM模型（NSE = 0.315）。即使在注入80%的合成噪声的情况下，该模型仍能保持稳定的预测精度。此外，通过梯度SHAP方法进行的可解释AI分析表明，该网络通过主要使用粗分辨率的ERA5数据作为前期水分“宏观状态代理”来处理空间尺度不匹配问题。最后，在CAMELS-US数据集选取的12个气候条件相似的小型森林流域进行的零样本空间泛化测试显示，所提出的架构的性能与两种最先进的大样本基准模型相当，并显著优于传统的Transformer模型。这些发现表明，将软性物理归纳偏差与门控架构相结合，为监测条件较差的流域提供了可迁移的、基于物理约束的洪水预警框架。