BiGRU-dXAJ:一种用于径流模拟的可微分参数学习的混合水文模型
《Environmental Modelling & Software》:BiGRU-dXAJ: A hybrid hydrologic model enabling differentiable parameter learning for runoff simulation
【字体:
大
中
小
】
时间:2026年08月07日
来源:Environmental Modelling & Software 5.2
编辑推荐:
摘要:基于过程的水文模型在体现物理机制方面具有优势,而深度学习模型则擅长捕捉复杂的非线性关系。如何有效整合这两种互补的优势,仍是径流模拟中的关键问题。为解决这一问题,本研究提出了BiGRU-dXAJ这一可微分混合水文模型,该模型将XAJ参数的学习置于多流域联合训练框架之中。该框架
摘要:基于过程的水文模型在体现物理机制方面具有优势,而深度学习模型则擅长捕捉复杂的非线性关系。如何有效整合这两种互补的优势,仍是径流模拟中的关键问题。为解决这一问题,本研究提出了BiGRU-dXAJ这一可微分混合水文模型,该模型将XAJ参数的学习置于多流域联合训练框架之中。该框架将XAJ模型重新表述为可微分的张量运算,并与基于BiGRU的共享参数学习网络相结合。通过结合气象强迫信息与静态流域特征来推断水文参数,从而实现参数学习与径流模拟的端到端优化。大规模样本评估表明,具有动态参数的BiGRU-dXAJ模型性能优于深度学习模型、传统XAJ模型以及静态参数混合模型。空间泛化实验显示,该模型在无监测流域中表现良好,但效果因区域而异。所学习的动态参数通常符合XAJ模型中定义的物理意义。总体而言,可微分混合建模为径流模拟提供了新的可能。
引言:径流模拟在支持流域水资源管理及水文过程研究方面发挥着重要作用,广泛应用于洪水风险评估和高效水资源利用等领域(Nikhil Teja等人,2023;Han和Coulibaly,2017)。它还为农业生产和生态环境分析等下游系统提供关键的水文变量(Jeong等人,2025;Porporato等人,2015)。径流模拟的可靠性直接影响管理措施的评估及相关政策的制定。随着气候变化加剧了洪水和干旱的风险(Kreibich等人,2022),径流过程的不确定性进一步增加,给水资源安全和社会经济发展带来了新的挑战。在此背景下,径流模拟方法不断向更高精度、更强稳健性以及更好的物理机制表征方向发展,以应对日益复杂的水文状况。
在过去几十年中,有两种主要的建模范式被广泛用于径流模拟:基于过程的水文模型和深度学习模型。前者以新安江、萨克拉门托和GR4J等模型为代表,通过概念化的过程公式描述径流生成、水流输运和蒸散等关键水文过程,从而为流域行为提供机制性的解释(Zhao,1992;Perrin等人,2003)。由于结构清晰且参数具有物理可解释性,基于过程的水文模型长期以来一直是径流模拟、情景分析和水文过程理解的重要工具。然而,这类模型通常假设参数在给定流域内保持不变,或仅用一组校准值来表示。在气候条件变化和流域状态演变的情况下,这种静态参数假设往往限制了基于过程的水文模型对动态径流响应的准确描述能力。
近年来,深度学习模型在降雨-径流建模中展现了强大的非线性表征能力,成为传统水文方法的重要补充。LSTM和GRU等模型能够从大规模数据集中提取复杂的输入-输出关系,在区域建模应用中取得了较高的预测性能(Kratzert等人,2018;Shen,2018;Lees等人,2021;Xie等人,2021a)。不过,这些模型主要依赖统计映射,其内部表征并未与水文过程明确关联,因此在跨流域应用、外推以及过程可解释性方面仍存在局限(Chadalawada等人,2020;Herath等人,2021a;Jiang等人,2022)。
鉴于基于过程的水文模型和深度学习模型的互补优势,混合水文建模近年来越来越受到关注。现有研究探索了多种将物理过程与数据驱动方法相结合的策略。例如,有人使用深度学习模型来修正基于过程的水文模型的模拟误差(Konapala等人,2020;Cho和Kim,2022);有人在模型训练中引入物理约束(Xie等人,2021b);还有人将水文过程方程嵌入神经网络结构以实现更紧密的耦合(Jiang等人,2020;B. Li等人,2023;Sun等人,2025)。尽管这些方法在一定程度上提升了模型性能,但在许多混合水文研究中,水文参数仍被视为外部校准值或时间不变的量,对于流域条件变化时的参数调整也缺乏充分体现。
从动态流域响应的角度来看,将参数视为静态常数仍然存在诸多局限。在集总概念模型中,参数通常用于表示土壤水分储存能力、蒸散调节作用、径流分配以及水流输运特性等综合效应。虽然这些参数传统上被视为常数,但其实际数值可能会随气候条件、前期水分状况以及地表属性的变化而改变。以往的研究已在土地利用变化、分段校准以及环境变化等条件下探讨了参数的变异性,并发现时间变化的参数化方式能够更好地反映流域条件变化下的径流响应(Pathiraja等人,2018;Zhang和Liu,2021;Liu等人,2024)。基于这一研究思路,本研究进一步探讨是否可以通过数据驱动方法在学习参数的同时保留概念水文模型的原有过程结构,从而使得在流域条件变化时能够进行参数调整。在非稳态条件下,这一问题尤为重要,因为模型的适应性不仅取决于结构上的灵活性,还取决于参数能否以符合水文逻辑的方式随流域条件变化而调整。
可微分参数学习为解决这一问题提供了技术路径,它使得基于过程的模式与数据驱动的参数学习能够在同一个计算图中共同优化(Shen等人,2023;Feng等人,2023;Ji等人,2025)。Shen等人为可微分地球科学建模奠定了理论基础,重点阐述了如何通过自动微分框架将物理过程模型与深度学习模型相连接。Feng等人展示了基于HBV架构的可微分、可学习且具有区域化特性的过程建模潜力。针对XAJ模型,Ouyang等人(Ouyang等人,2025)研究了可微分XAJ模型及其参数学习网络,他们使用5个中国流域和8个CAMELS-US流域进行模型训练与评估,输入数据以单流域时间序列的形式组织。这些研究为可微分水文建模奠定了重要基础。然而,如何通过共享的参数学习网络在众多流域之间学习通用的XAJ参数映射,目前仍需进一步探索。
在此背景下,本研究通过将XAJ模型重构为可微分形式,并与其基于BiGRU的参数学习网络相结合,构建了一种名为BiGRU-dXAJ的混合水文建模框架。在BiGRU-dXAJ中,参数学习与XAJ径流模拟被整合在统一的可微分计算结构之中。在该框架下,动态气象强迫信息与静态流域特征被共同用于推断XAJ参数,同时允许部分关键参数随时间动态变化,但仍保留XAJ模型原有的径流生成和输运结构。更为重要的是,所有流域共享同一个参数学习网络,从而使XAJ参数学习从单流域参数估算扩展为跨流域的共享参数映射。因此,本研究的核心目标是探讨在过程结构约束下,共享的数据驱动参数学习网络是否能够生成具有通用性且具有水文意义的XAJ参数。
据此,本研究的目标有三个。首先,构建一种适用于多流域建模的可微分XAJ参数学习框架,通过共享的参数学习网络,从动态气象强迫信息和静态流域特征中推断出XAJ参数。其次,设计一种多流域训练策略,以学习不同流域之间的通用参数映射关系。最后,利用671个CAMELS-US流域,评估动态参数学习对径流模拟性能、跨流域稳定性以及空间外推能力的影响。通过这些研究,本研究旨在证明可微分参数学习不仅是提升径流模拟效果的有效方法,更是连接数据驱动建模与基于过程的水文理解的桥梁。
本文的其余部分结构如下:第2节介绍研究区域和数据集;第3节阐述可微分参数学习框架、基于BiGRU的参数学习网络、可微分XAJ模型以及模型设置;第4节报告实验结果;第5节讨论动态参数学习、参数可解释性以及模型泛化能力;第6节对本研究进行总结。
数据部分:本研究以CAMELS-US数据集(Newman等人,2015;Addor等人,2017)作为数据来源。该数据集涵盖了美国本土的671个流域,分布于美国地质调查局划分的18个一级水文区域。这些流域具有多样的气候梯度与地形特征,能够广泛代表不同类型的水文状况(见图1)。CAMELS-US中的径流观测数据来自美国地质调查局的监测站。
方法部分:近年来,可微分参数学习为混合水文模型提供了一种新的建模范式(Shen等人,2023;Feng等人,2022)。该方法将基于过程的水文模型的过程方程和参数更新机制重构为可微分的张量运算,从而使这些模型能够被嵌入深度学习框架的计算图中。借助自动微分技术,可以在计算图中获得损失函数相对于可学习参数的梯度,进而实现模型的优化。
为系统评估不同建模范式在所有流域中的径流模拟整体性能,本研究设计了对比实验,涉及三类模型:(i)以BiGRU、GRU、BiLSTM和CNN–LSTM为代表的深度学习模型;(ii)基于过程的XAJ模型;(iii)融合基于过程的水文模型与深度学习方法的混合水文模型,包括具有静态参数设置的混合模型和具有动态参数设置的混合模型。
为什么动态参数化能提升模型性能?对于传统的概念水文模型,参数在经过校准后通常被视为常数。在常规的过程驱动型水文模型校准中,人们常用如SCE-UA之类的优化算法,在预定的水文参数范围内搜索最优参数组合,从而使NSE或RMSE等目标函数取得较好的性能。由于多个参数可能会共同影响径流模拟结果,因此需要综合考虑各种参数的影响。
基于可微分参数学习框架,本研究通过将XAJ模型的可微分实现形式与基于BiGRU的参数学习网络相结合,开发出了BiGRU-dXAJ这一混合水文模型。该框架将基于过程的水文模型嵌入到统一的计算图中,实现了参数学习与径流模拟的端到端优化。在保留原有过程结构的同时,该框架允许模型参数根据水文条件的变化而动态调整。
CRediT作者贡献说明:Baowei Yan:写作——审稿与编辑、验证、监督、资源提供、资金获取、概念构思。Mingbo Sun:写作——初稿撰写、软件使用、方法设计、形式分析、数据整理、概念构思。Xuerui Zhou:可视化、数据整理。Jianbo Chang:可视化、验证。Jialang Chen:写作——审稿与编辑、可视化。Shuairu Xu:写作——审稿与编辑、可视化、验证。Jianming Chen:写作——审稿与编辑、数据整理。
未引用参考文献:Li等人,2023。
利益冲突声明:作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
数据与代码可用性:BiGRU-dXAJ的相关数据可在https://ral.ucar.edu/solutions/products/camels网站上获取,所用代码可从GitHub地址https://github.com/mbSun1/physDL_XAJ下载。
利益冲突声明:? 作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢:本研究得到了湖北省水利关键科学研究项目(HBSLKY202502)和湖北省自然科学基金(2024AFB646)的支持。
作者名单:Mingbo Sun | Baowei Yan | Jianming Chen | Shuairu Xu | Jialang Chen | Jianbo Chang | Xuerui Zhou
单位:中国华中科技大学土木与水利工程学院,武汉430074
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号