不依赖于分水岭边界的建模方法：一种可解释、分布式且基于数据的水文模型

《Environmental Modelling & Software》：Watershed-agnostic modeling: An explainable, distributed, data-driven hydrologic model

　　**摘要**
随着气候变化增加了水流的不确定性，可靠的水流建模变得至关重要。本研究介绍了一种数据驱动的框架，该框架结合了卷积神经网络（CNN）和长短期记忆（LSTM）层，用于估计密歇根州密集监测站网络中的次日流量。该方法直接处理多日的网格化天气数据，无需进行流域划分或其他水文预处理，相当于一个分布式过程模型的数字版本。在经过十年数据的训练后，该模型在大多数监测站获得了“良好”到“非常好”的Nash–Sutcliffe和Kling-Gupta效率评分，其在重现已知的大气和生态区域模式方面优于其他空间或时间聚类方法。基于梯度的显著性分析，以及针对性的空间扰动实验表明，该模型能够聚焦于水文上合理的源区域，为估计结果提供了物理上的可解释性。这些发现表明，像素级的CNN-LSTM架构能够提供高效、透明且适合 basin 规模水资源决策支持的水流预测方法。

**引言**
近年来，全球气温上升、降水模式变化以及极端天气事件增加导致水资源变得更加不可预测和稀缺。因此，连续的水流预测对于有效的水资源管理至关重要，这需要加强空间和时间上的水流监测（Schewe等人，2014年）。水流预测是水文学中的一个基本而具有挑战性的任务，对于有效的水资源管理、洪水预报和生态保护都必不可少。水文模型大致可分为两类：基于物理原理的模型和数据驱动的模型（?zdo?an-Sar?k??和Dadaser-?elik，2024年）。基于物理原理的模型依赖于基于水文原理的概念框架，能够提供对底层过程的宝贵见解（Beven，1989年）。相比之下，数据驱动的模型侧重于揭示水文变量之间的统计规律和关系。传统的水文模型和数据驱动方法通常需要将地理区域划分为流域，并根据局部特征定制预测模型，但可能忽略了更广泛的空间相互作用（Beven，1989年；Maier和Dandy，2000年）。由于这些传统模型存在尺度特异性和高计算需求的限制，集成机器学习（ML），特别是深度学习（DL），成为了一种有前景的替代方案（Kratzert等人，2019b；Kratzert等人，2019a）。

机器学习在水文学中的应用有着悠久的历史，可以追溯到20世纪90年代，当时人工神经网络（ANN）模型首次被用于降雨-径流建模等任务（Maier和Dandy，2000年）。这些早期应用还扩展到了其他水文气象领域，如洪水预报、雪水当量数据的改进以及季节性水资源可用性的预测（Mohammadi，2021年）。除了ANN之外，各种ML技术也被有效地应用于降雨-径流研究。贝叶斯神经网络、支持向量回归和高斯过程等技术已被用于单个流域的水流预测。其他方法，如在线序列极端学习机，已在双流域设置中提供水流预测，随机森林模型则识别了温度对北美西部雪水当量的影响（Mohammadi，2021年）。尽管传统ML技术在水文学中已有长期应用，但由于DL能够自动从大型未处理数据集中提取复杂模式，因此最近受到了广泛关注（Kratzert等人，2018年；Feng等人，2020年）。与传统机器学习方法不同，DL为基于过程的水文模型提供了创新补充，提高了模型准确性，并扩展了其在不同时间尺度和无监测站流域中的应用范围（Kratzert等人，2019b；Kratzert等人，2019a）。高分辨率现场数据和遥感数据的日益普及是推动DL在水文学中应用的主要因素之一。在DL架构中，长短期记忆（LSTM）网络在水文应用中尤为有效。LSTM是一种循环神经网络（RNN），通过利用内部记忆状态来识别不同时间尺度上的序列模式，从而克服了传统RNN在处理长序列时因梯度消失而遇到的问题（Hochreiter和Schmidhuber，1997年；Bengio等人，1994年）。LSTM在多个领域取得了显著成功，例如自然语言处理（NLP），被应用于文本预测、语言翻译和视频字幕生成等任务（Karpathy和Fei-Fei，2015年；Sutskever等人，2014年；Venugopalan等人，2015年）。在水文学中，研究表明LSTM在降雨-径流建模中非常有效。例如，基于一年每日 basin 平均天气数据训练的LSTM模型在预测流量方面通常优于传统水文模型，并且在使用物理 basin 特征后表现更好，展示了它们作为区域水文模型的潜力（Kratzert等人，2018年；Kratzert等人，2019b；Kratzert等人，2019a）。尽管LSTM具有这些优势，但其应用仍主要限于依赖 basin 聚合输入的简化模型，这限制了其整合空间详细地理数据的能力。这种方法与基于过程的分布式模型形成对比，后者更能处理空间异质性。这为开发能够处理大范围空间详细输入的DL模型提供了宝贵机会（Kratzert等人，2019a）。

通过解决这些限制，结合CNN和LSTM等架构的时空DL模型可以弥合简化模型和分布式模型之间的差距，为现代水文挑战提供可扩展且高效的解决方案。在分析空间数据时，主要使用卷积神经网络（CNN）架构，通过一系列可训练的滤波器处理输入数据，从而有效地提取特征（L. Zhang等人，2025年）。将CNN与LSTM或门控循环单元（GRU）等时间序列模型结合使用，通过结合CNN提取空间特征的能力和序列模型捕捉长期时间模式的能力来提高预测精度。这种集成在序列CNN-LSTM模型中尤为明显，这些模型使用CNN处理视频帧以提取空间特征，然后通过LSTM分析时间动态，例如在视频分类和字幕生成中的应用（L. Zhang等人，2025年；Feng等人，2020年）。在水文学中，CNN-LSTM混合模型现在被广泛用于各种时间步长和空间尺度的水流和降雨-径流建模（例如，从每日到每小时；从单个流域到区域系统），通常优于单一架构的基线模型，并能够与基于物理的模型进行比较（L. Zhang等人，2025年）。尽管CNN-LSTM组合在多项研究中显示出显著成果，但其在水文学中的应用仍然相对有限。最近的研究还探讨了CNN-LSTM模型在相关水文领域（如城市洪水预测和模型可解释性）的应用。例如，CNN-LSTM框架已成功应用于快速城市洪水深度预测，实现了高预测精度和计算效率（Chen等人，2023年），而其他研究则整合了可解释性技术（如SHAP）以提高基于CNN-LSTM的洪水预测模型的可解释性（Huang等人，2024年）。更多近期发展探索了CNN-LSTM混合模型在高分辨率时空洪水预报中的应用（Wang等人，2026年）。这些研究强调了CNN-LSTM架构的日益广泛应用以及在水文深度学习中对可解释性的日益重视。特别是对于水流预测，CNN-LSTM架构已被有效用于降雨-径流建模和流量预测，表现出优于独立方法的性能。Wegayehu和Muluneh（2021年）的研究强调了CNN-LSTM模型在模拟不同农业气候条件下一日流量（仅预测未来一天）方面的稳健性，强调了它们处理复杂时间和空间相互作用的能力。类似地，Deng等人（2022年）展示了CNN-LSTM模型在中国东南部单个流域的每日流量预测中的实用性。该研究还研究了Max Temperature、Min Temperature和Rainfall等输入参数对预测性能的影响。此外，Pokharel和Roy（2024b）证明了CNN-LSTM模型在内布拉斯加州广泛空间数据集中的流量预测效果，展示了它们的可扩展性和处理时间动态的稳健性。这些研究共同验证了CNN-LSTM架构作为解决水文建模和流量预测中时空挑战的创新工具的巨大潜力。

尽管CNN-LSTM在水流预测应用方面取得了进展，但仍存在重要研究空白，特别是在开发不受特定流域特征限制、能够在大型异质区域泛化的模型方面（Anderson和Radi?，2022a；Koya和Roy，2024年）。现有研究往往局限于少数流域，并依赖于盆地平均气象数据，限制了其可扩展性和适用性。例如，Khatun等人（2024年）展示了引入滞后流量数据以改善特定流域内流量预测的效用。然而，这些方法通常受限于对流域特定数据的依赖，限制了其在更广泛无监测区域的应用。此外，对划定流域和气候降尺度技术的依赖引入了额外的计算开销和捕捉区域尺度水文动态的不准确性。与基于流域聚合的LSTM研究不同（Kratzert等人，2018年；Kratzert等人，2019a），本研究开发了一种不依赖于流域划分的、从网格到监测站的CNN-LSTM模型，可在无需预先划定或路由的情况下进行多站流量预测。所提出的CNN-LSTM在区域尺度上是可解释的，而不是在单个站点层面。使用模型无关的输入空间扰动（Fong和Vedaldi，2017年）生成了站点级别的敏感性地图。然后这些地图在数据驱动的时空簇中聚合，以产生稳健的簇均值显著性场。通过比较流域内外部和空间集中度指标来量化真实性。本研究采用了基于扰动的XAI方法，而非Grad-CAM。Grad-CAM将重要性定位在最终的卷积特征图上，但当特征被LSTM平坦化和时间混合后效果不佳（Selvaraju等人，2019年）。该设计遵循当前地球和气候科学的指导原则，使XAI方法与模型架构保持一致，并定量验证了解释（Gevaert，2022年；Mamalakis等人，2022年）。它通过提供区域级的水文洞察以及准确性改进，补充了之前的CNN-LSTM水文研究（Anderson和Radi?，2022a；Anderson和Radi?，2022b）。我们添加了一个简短的表格1，总结了使用CNN-LSTM进行流量预测或估计的最新研究。

所提出的CNN-LSTM模型作为一种数字替代方案，旨在在区域尺度上高效运行。本研究的主要目标是开发一个能够：
1. 使用容易获得的湿气回报参数，同时估计该区域内多个流量监测站的日流量；
2. 有效利用空间分布的输入数据来估计流量，而不依赖于盆地平均输入；
3.专注于空间分布输入数据的相关区域，并在流域内或附近的地点估计流量，无需依赖预定义的流域边界，从而探索其独立于传统流域划分运行的潜力。

**材料与方法**
该方法结合了CNN和LSTM网络，用于估计密歇根州下半岛多个监测站的日流量，如图1所示。模型输入包括2000年至2009年的日尺度、空间分布的气象数据（最低温度、最高温度和降水量）。由于计算限制和数据的高分辨率，分析集中在2000年至2009年之间。

**流量预测性能**
经过15,000个训练周期后，CNN-LSTM为61个监测站组成的测试网络中的大多数站点提供了相当可靠的流量估计（图A.1）。2009年测试期间的站点Nash–Sutcliffe效率（NSE）值范围为-0.41至0.83，算术平均值为0.62 ± 0.21，中位数为0.69。一半的监测站位于相对狭窄的四分位数范围内（0.54至0.76），表明模型总体上捕捉到了日流量变化。

**结论**
本研究证明，一个相对简单且高度可扩展的CNN-LSTM框架，仅依赖于250米分辨率的网格化降水量、最低温度和最高温度，无需明确的流域划分或气候降尺度即可提供数十个监测站位置的可靠日流量预报。应用于密歇根州下半岛的61个USGS站点后，该模型在整个网络范围内的NSE平均值为0.62（中位数为0.69），79%的监测站达到了至少...

**作者贡献说明**
Muhammad Talha：撰写——审稿与编辑，撰写——初稿，方法论，概念化。
A. Pouyan Nejadhashemi：撰写——审稿与编辑，撰写——初稿，监督，方法论，资金获取，概念化。

**关于写作过程中生成AI和AI辅助技术的声明**
在准备这项工作时，作者使用了ChatGPT 4o来提高文章的可读性和语言流畅性。在使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全部责任。

**利益冲突声明**
作者声明没有已知的可能会影响本文报告工作的财务利益或个人关系。

**致谢**
本文部分得到了美国农业部国家食品与农业研究所（NIFA）Hatch项目1019654的支持。

**作者信息**
Muhammad Talha | A. Pouyan Nejadhashemi
密歇根州立大学生物系统与农业工程系
地址：524 S. Shaw Lane, East Lansing, 48824, MI, USA