利用SMASH平台改善法国无测站流域的区域性低流量模拟：基于网格的简约GR水文模型与基于人工神经网络(ANN)区域化策略的比较评估

《Journal of Hydrology: Regional Studies》：Improving regional low-flow modeling in ungauged French catchments using the SMASH platform: A comparative assessment of grid-based parsimonious GR hydrological models and ANN-based regionalization strategies

　　

摘要：准确的无测站流域(streamflow prediction in ungauged basins, PUBS)河道流量预测需要简约(parsimonious)模型结构和高效的优化策略。研究人员利用Spatially distributed Modeling and ASsimilation for Hydrology(SMASH)框架，对三种空间分布式、简约的GR类水文模型进行了比较评估。研究人员探讨了三种区域率定(regional calibration)策略——均一(Uniform)、多元线性回归(Multi-Linear regression)和人工神经网络(Artificial Neural Networks, ANN)——的影响，以利用物理描述子(physical descriptors)对空间分布式概念性参数进行区域化。主要焦点是评估模型向无测站流域的移植性(transferability)，特别关注准确再现对干旱监测和水资源管理至关重要的低流量指标(low-flow indicators)。研究区域为248个法国流域。在新水力洞察方面，在SMASH框架内，基于人工神经网络(ANN)的区域化模型相比空间均一率定表现出显著的预测精度提升。在时间验证(temporal validation)中，耦合ANN的简约分布式模型(LoiEau和GR4)达到最高稳健性，中位NSE(1/Q)达0.60（较均一率定提高+0.22）。此外，分布式SMASH框架在具挑战性的无测站流域条件（时空验证，spatio-temporal validation）下具有显著附加价值。以集总Lumped_LoiEau基线为基准，SMASH-ANN(LoiEau)将中位NSE(√Q)从0.57提升至0.75。此优势在低流量方面更为显著：SMASH-ANN(LoiEau)达到中位NSE(1/Q)为0.45，优于集总基线（较集总模型的0.20提高+0.25）及更复杂的分布式GR5模型(0.38)。除拟合优度改善外，空间分布式参数场提供了法国区域水文的物理一致性表征。ANN映射自主提取了复杂的地下水相互作用，准确捕捉了白垩岩主导系统（如Seine-Normandy）向深部含水层的水流损失(flow losses)。然而研究也凸显了区域化的物理局限：在严重缺数据环境（地中海型和均匀型水文情势），极端低流量受局部水文地质特征控制，导致基于描述子的映射出现过拟合。

论文解读：利用SMASH平台改善法国无测站流域区域性低流量模拟——基于网格化简约GR模型与ANN区域化策略的比较评估

研究背景与意义：河道径流尤其是间歇性河流的低流量(low flow)对生态功能维持与枯水期水资源供给至关重要，低流量指标被广泛用于监管与运行管理。目前在无测站流域(predictions in ungauged basins, PUBS)的水文模拟中，概念性简约模型无论是集总(lumped)或半分布式均有一定表现，但分布式模型常面临参数过多导致逆问题过参数化(overparameterized inverse problem)及异参同效(equifinality)难题。传统后验区域化(post-regionalization)局限于集总参数而忽略流域内部变异性。区域化(regionalization)方法虽已有发展，但在低流量模拟及分布式参数与景观–气候预测因子(predictors)直接映射方面仍需深入探究。现有研究缺乏对多种简约网格化GR类模型结合不同分布式区域化策略（均一Uniform、多元线性回归Multi-Linear、人工神经网络ANN）在法国多样化水文情势下低流量模拟能力的系统比较。为此，研究人员基于SMASH(Spatially distributed Modeling and ASsimilation for Hydrology)可微分分布式框架，在248个经严格筛选具代表性的法国自然流域上，比较三种网格化简约概念性水文模型（LoiEau、GR4、GR5）耦合三种区域化策略对无测站流域低流量模拟的性能与空间移植性，旨在明确模型结构与区域化方法的相互作用及对低流量指标的影响，成果发表于《Journal of Hydrology: Regional Studies》。

主要关键技术方法：研究人员从法国Explore2项目数据集中筛选出248个面积<2000 km2、具≥25年连续日径流资料且本地率定NSE(√Q)≥0.70的自然流域（排除强人为干扰），按径流与降水季节变异指数及最低月温划分为Uniform、Oceanic、Nival及过渡型、Mediterranean四种水文情势。气象强迫取自SAFRAN再分析并降尺度至1 km格网，潜在蒸散发按Oudin公式计算，径流来自French Hydro数据库。物理描述子(physical descriptors)包括IHME1500岩性分级、CORINE Land Cover 2018土地利用（归为6类）、土壤持水量及衍生地形/气候因子（高程、干旱指数、坡度、排水密度等）。研究人员在SMASH平台中以1 km空间分辨率、日时间步长实现三种网格化简约GR类概念模型——LoiEau（5个自由参数，产流库容c_a、非线性转移库容c_c、汇流延迟l_r、校正系数k_b、度–日融雪系数k_mlt）、GR4（5个自由参数，产流库容c_p、转移库容c_t、线性地下交换系数k_exc等）和GR5（6个自由参数，含阈值型交换参数a_exc及k_exc）；同时以原始集总模型Lumped_LoiEau（2参数）、Lumped_GR4J（4参数）、Lumped_GR5J（5参数）做基准。率定目标函数为复合Kling–Gupta Efficiency——0.5×KGE(Q)+0.5×KGE(1/Q)以同时关注平均流与低流。采用三种区域化策略：(i) Uniform多站均一率定(Um)——全流域单套参数；(ii) Multi-Linear(ML)——参数与描述子间多元线性回归关系同场联合优化；(iii) ANN——三层感知机(MLP)映射描述子到参数并在多站联合变分优化中用伴随自动微分求梯度(L-BFGS-B)。集总基准用地理邻近相似性与Output Averaging法区域化。时间分段为率定期(1976–1996)与验证期(1998–2018)各带一年预热；空间移植性用3折空间交叉验证(2/3训练、1/3伪无测站测试)。评价指标含NSE(Q)、NSE(√Q)、NSE(1/Q)、NSE(QMM)及低流量偏差评分(QA_Perf、QMNA5_Perf、VCN10_Perf、Q75_Perf)。

研究结果：

4.1 Performance under local calibration on gauged catchments（有测站流域本地率定下的性能）：研究人员在单站空间均一本地率定(Us)下比较分布式SMASH模型与集总基准。结果显示集总Lumped_GR5J达最高本地NSE(Q)中位0.81、NSE(1/Q)中位0.72；Lumped_LoiEau因无单位线而时间匹配较差(NSE(Q)≈0.60)但统计偏差尚可。分布式SMASH模型(Us)在保持网格约束下达中等偏上时间效率（NSE(Q)中位0.73–0.77），GR5_Us因阈值型地下水交换在本地低流NSE(1/Q)略优(≈0.67)。按水文情势细分，GR5_Us在Uniform与Mediterranean流域低流表现最好，反映其参数灵活性；但本地率定不代表空间移植性。

4.2 Performance under regional calibration(multi-catchment) on gauged basins（有测站流域多站区域率定下的性能）：在时态验证中，均一多站率定(Um)性能最差尤其低流指标严重退化；ML有所改进但波动大；ANN区域化(Red)最接近本地Us基准，其中LoiEau_ANN与GR4_ANN在验证期中位NSE(1/Q)达0.60（较Um提高+0.22）。GR5_ANN偶现性能骤降尤见于某子集，参数分析表明GR5复杂阈值交换引发异参同效致产流与转移库容失衡。按情势分析，ANN在Oceanic与Nival主导区最稳健；Mediterranean小样本下描述子映射难提取规律，Um反而表观稳定。

4.3 Performance on ungauged basins with regional calibration(Spatio-temporal validation)（区域率定下无测站流域时空验证性能）：在3折时空交叉验证中，SMASH-ANN(LoiEau)中位NSE(1/Q)=0.45，明显超越Lumped_LoiEau(0.20)及Lumped_GR5J(0.36)、分布式GR5_ANN(0.38)，证明简约网格模型+ANN优于更复杂集总模型。GR4_ANN略优于Lumped_GR4但增幅有限。按情势看Oceanic与Nival流域ANN全面最优并修正Um造成的低流高估偏差；Uniform与Mediterranean极小样本区ANN与ML时域效率下降，Um作强空间正则化反而较稳，揭示描述子映射在数据极缺区的局限。

4.4 Analysis of spatially distributed calibrated parameters（空间分布式率定参数分析）：Um迫使单套参数扭曲水平衡分配（产流库容膨胀、转移库容压缩）；ML与ANN空间均值贴近本地Us宏观参考，ANN引入合理空间方差。GR模型中ANN对汇流延迟l_r给出不同于ML的向上偏移与更大离散反映捕捉到网格网络动力学。GR5之a_exc与l_r在ML中被压平趋近常数，印证线性描述子组合无法刻画复杂交互需ANN非线性映射。某子集GR5参数补偿(c_p剧降、c_t剧增)佐证其区域移植不稳。ANN推断参数场具水文一致性：如GR4之k_exc在Seine–Normandy白垩岩区呈负值（水流损失），LoiEau之k_b<1同理，符合已知区域水文地质。GR5参数空间分布较均一印证其难从描述子提取有效梯度。ML显强单描述子–参数线性相关，ANN则通过多层非线性组合弱化单变量线性关联，降低直接可解译性但提升低流模拟。

讨论与结论翻译：本研究评估了可微分可区域化的SMASH空间框架在248个法国流域改善无测站流域低流量预测的能力，结合不同复杂度分布式概念模型(LoiEau、GR4、GR5)与先进区域化映射(Uniform Um、Multi-Linear ML、ANN)并与传统集总结构对照，得出三方面的核心认识：第一，增加模型复杂度不保证更好空间泛化；高度参数化的GR5模型在本地率定表现优异但在区域外推时严重退化，源于其复杂阈值型地下水交换引发异参同效扭曲水平衡分配，反之高度简约LoiEau与GR4在数学上对区域低流量模拟更稳健可靠。第二，人工神经网络代表概念性参数区域化的重大进步（当训练样本充足时）；在占总数90%以上的Oceanic与Nival情势流域，ANN策略显著优于ML与Uniform并大幅削减极端低流体积偏差；但基于描述子的映射在严重缺数据或水文地质极复杂条件（Mediterranean与Uniform情势）仍易受过拟合影响，此时强约束均一区域化(Um)可充当较安全退路。第三，从集总转向网格化简约建模在无测站条件下带来显著预测增益——经ANN非线性空间外推赋能，分布式LoiEau_ANN不仅大幅超越自身集总基线(Lumped_LoiEau)，且明确优于本身更复杂之Lumped_GR5模型之于低流量模拟，证明以机器学习空间化简单物理结构比依赖复杂全局模型更有效。最终，将简约分布式水文结构与水文参数ANN区域化耦合，为大规模水资源管理与干旱评估提供了高精度、稳健且物理一致的框架。