S-GRHyMoLAP:具有不同扩散机制的 GRHyMoLAP 模型的随机扩展,用于概率降雨径流建模

《Journal of Hydrology》:S-GRHyMoLAP: A stochastic extension of the GRHyMoLAP model with different diffusion mechanisms for probabilistic rainfall-runoff modeling

【字体: 大 中 小 】 时间:2026年09月20日 来源:Journal of Hydrology 7.3

编辑推荐:

   摘要 流域水文学中的概率降雨径流建模受到输入、模型结构和参数中的不确定性及其潜在相互作用的强烈影响。本研究通过扩展近期发布的GRHyMoLAP模型,将其推广为S-GRHyMoLAP,一个包含具有水文学动机扩散机制的随机微分方程(SDE)框架,来探讨这些不确定性的替代表征方式

  

摘要

流域水文学中的概率降雨径流建模受到输入、模型结构和参数中的不确定性及其潜在相互作用的强烈影响。本研究通过扩展近期发布的GRHyMoLAP模型,将其推广为S-GRHyMoLAP,一个包含具有水文学动机扩散机制的随机微分方程(SDE)框架,来探讨这些不确定性的替代表征方式。所提出的框架通过输入驱动、内部状态驱动和流量驱动的扩散公式来表征不确定性,同时额外引入了一种输入-状态交互驱动的扩散公式。基于来自法国大型样本研究集水区属性与气象数据集(CAMELS-FR)的526个集水区的评估表明,在单个扩散公式中,输入驱动扩散提供了最佳的概率表征,而交互驱动扩散在70%的集水区中表现最佳。该框架在GRHyMoLAP上与异方差高斯残差(HGR)基准模型的预测区间表现相当,但在GR4J模型上表现优于该基准模型。结合极端梯度提升(XGBoost)与SHapley加性解释(SHAP)的可解释机器学习分析表明,尽管不同扩散公式的主要集水区预测因子相似,但其相对影响取决于所考虑的扩散类型。输入驱动扩散公式倾向于强水文气候强迫的集水区,而交互驱动公式对外部因素保持敏感,并表现出对内部流量组织的增强响应能力。这些发现表明,引入交互驱动扩散公式可以改善概率径流预测,并凸显了S-GRHyMoLAP在研究不确定性如何在降雨径流动力学中传播方面的潜力。

引言

降雨径流模型旨在以简化的方式表征复杂的水文过程。鉴于数据可用性、计算需求以及水文系统固有的异质性和不确定性等方面的限制,这种简化是必要的,使得完全的物理机制表征对大多数应用而言是不切实际的(Wagener等, 2001; Beven, 2012; Paniconi和Putti, 2015)。然而,这种必要的简化引入了多种不确定性来源,可能降低模型预测的可靠性。这些不确定性大致分为三大类:观测不确定性、模型结构不确定性和参数不确定性(Shrestha, 2010; Gupta和Govindaraju, 2023)。观测不确定性源于输入数据(如降水、蒸散发)的不准确性以及用于率定和验证的输出数据的不准确性。模型结构不确定性指的是水文过程在感知、数学和程序表征中的误差(Beven和Freer, 2001),产生于模型中对现实的简化表征(Gupta和Govindaraju, 2019)。相比之下,参数不确定性源于率定过程中模型参数的非唯一性和不完美的识别,即使假设模型结构和数据是正确的。

量化水文模拟中不同来源的不确定性对于提高预测置信度和支持有效的风险管理与水资源规划至关重要(Akhter等, 2026)。在众多来源中,多项研究已确认观测不确定性,特别是与输入相关的不确定性,是径流模拟预测不确定性的主要贡献因素(Bárdossy等, 2022; Akhter等, 2026; Vrugt等, 2008)。然而,尽管输入不确定性是独立产生的,其在模型中的影响并非独立,因为它会与结构不确定性和参数不确定性一起传播并产生交互作用。例如,模型参数估计乃至结构适宜性都严重依赖于数据质量;有偏差或不确定的输入可能通过率定过程传播,并被错误地归因于参数或结构缺陷。从以往研究中可以看出,结构不确定性处于核心地位,并与所有其他来源产生交互作用(Moges等, 2021)。这是因为,例如,水文模型中表征的许多内部过程同时依赖于观测输入和模型参数,从而在本质上将结构不确定性、输入不确定性和参数不确定性联系在一起。因此,解耦不同来源的不确定性仍然是水文建模中的一个重大方法论挑战(Renard等, 2010; Engeland等, 2016)。

水文建模中的多种不确定性来源应得到全面考量。迄今为止,大多数研究集中在在各自独立的框架内量化单一来源的不确定性;例如Shoaib等(2018)和Fraga等(2019)的研究。相比之下,很少有研究以综合方式考虑这些不确定性并明确考虑其交互作用(Shu等, 2023; Nerantzaki等, 2020)。具体而言,Shu等(2023)的研究表明,当输入不确定性、结构不确定性和参数不确定性被联合考虑时,径流得到了更真实的表征。了解不同来源不确定性的成因及其交互作用可以为减少水文建模中的预测不确定性提供有价值的见解(Moges等, 2021)。这种理解有助于识别不确定性的主要驱动因素,并指导制定更稳健的建模策略。

大多数经典降雨径流模型不直接提供其自身预测不确定性的估计;相反,它们通常作为更大规模的不确定性分析框架的一部分使用(Klotz等, 2022)。相比之下,正如Houénafa等(2025c)所证明的那样,随机动力学模型通过使用SDEs表征水文系统来解决这一局限性,明确考虑系统变异性及其在模型动力学中的不确定性。

SDE模型通常通过在常微分方程(ODE)公式中加入随机扩散项来构建,以考虑不确定性和未解析的过程。近期,GRHyMoLAP降雨径流模型被引入为基于ODE的准物理框架,通过可解释的动力系统显式控制径流动力学(Houénafa等, 2026)。尽管仅依赖于四个参数,GRHyMoLAP在澳大利亚和美国的近900个集水区中实现了与广泛使用的概念模型(如GR4J(Perrin等, 2003)和HBV(Bergstr?m和Forsman, 1973))相当的预测性能,同时展现了在具有挑战性的水文条件下更强的鲁棒性。由于其显式的ODE公式,GRHyMoLAP为基于SDE的随机扩展提供了自然的确定性基础。

自然科学、工程、经济学和统计学中的许多动力学过程天然地使用SDEs来描述(Boffi和Vanden-Eijnden, 2023)。然而,在水文文献中,控制径流变化的SDE模型相对稀少。在现有的采用SDE方法的研究中,那些考虑非常数扩散项的研究更好地反映了现实情况,因为水文学中的不确定性往往随系统状态而变化,表现出异方差性。尽管如此,这些研究通常只考虑单一不确定性表征。在大多数情况下,随机性以模拟流量为条件,提供与模型动力学相关的不确定性的流量依赖表征(Morooka等, 2016; Houénafa等, 2025a; 2025b; Rosmann和Domínguez, 2018)。在其他情况下,随机分量也以观测流量为条件,反映了率定数据中的不确定性及其对提前期预测的影响(Houénafa等, 2025c)。

总体而言,虽然以往的研究已证明了SDEs在表征水文不确定性方面的价值,但它们通常只考虑单一的不确定性表征,通常通过流量驱动的扩散过程实现。因此,它们没有在同一框架内显式考虑多种不确定性表征,更没有考虑到它们之间潜在的交互作用,尽管越来越多的证据表明不同不确定性来源在降雨径流模型中是内在耦合的。特别是,尚未开发出GRHyMoLAP的随机扩展版本来显式量化预测不确定性或比较与不同水文组分相关的替代扩散公式及其在统一建模框架内的联合影响。解决这些局限性需要一个能够代表不同水文组分不确定性并允许其联合影响进入模型动力学的随机扩展。

本研究聚焦于通过关联不同水文组分的扩散机制来表征降雨径流系统的不确定性,并追求三个主要目标。首先,我们利用SDE框架比较不同的单一扩散公式及其对流量不确定性的贡献。其次,我们通过扩展SDE公式来显式研究交互驱动的不确定性,以表征受扰动的输入强迫和内部集水区状态对随机流量动力学的联合影响。第三,我们识别与不同扩散公式性能相关的关键集水区属性。为实现这些目标,我们通过引入对应于不确定性的个体表征和交互驱动表征的扩散项,将GRHyMoLAP模型扩展为随机框架(S-GRHyMoLAP)。所提出的随机框架的预测不确定性性能经过评估并与广泛应用于GRHyMoLAP和GR4J的异方差残差不确定性方法进行比较,后者作为基准方法。我们进一步采用XGBoost模型(Chen和Guestrin, 2016),结合SHAP(Molnar, 2020),量化在不同扩散公式下各个集水区属性对模型性能的贡献。所有分析均在CAMELS-FR数据集(Delaigue等, 2024)上进行,确保在大量多样化集水区中的鲁棒性。完整实现以开源代码形式提供,以支持可重复性并促进未来研究。

数据

CAMELS-FR数据库(Delaigue等, 2024)包含654个集水区(图1),提供了长期、精心整理的水文气象记录以及详细的流域特征,允许在多样化水文气候条件下进行系统比较。

除了用于率定和验证的水文气象时间序列(即径流、降水和潜在蒸散发)外,该数据集还包含一组广泛的集水区描述符,分为十类。

GR4J模型

GR4J模型(Perrin等, 2003)是一种集总式概念模型,广泛用于日尺度降雨径流模拟。该模型使用日降水和潜在蒸散发作为输入数据来模拟日河流流量。GR4J模型由四个参数控制:产流蓄水容量X1 [mm]、集水区间交换系数X2 [mm/d]、汇流蓄水容量X3 [mm]以及单位汇流曲线时间常数X4 [d]。其中X1和X3为正值,X4必须

GRHyMoLAP在CAMELS-FR上的性能评估

在526个CAMELS-FR集水区中,以GR4J为基准模型,在校定和验证期间评估GRHyMoLAP的预测精度。表3总结了每个模型的中位数和均值性能指标(NSE和RMSE)。在校定期间,GR4J的中位数NSE(0.788)略高于GRHyMoLAP(0.752)。然而,GRHyMoLAP展现出更高的均值NSE(0.735对比GR4J的0.723),表明在所有集水区中表现更为一致。

讨论

对不同扩散机制的分析表明,点预测方面更强的表现不一定转化为更优的不确定性量化。特别地,尽管状态驱动扩散()获得了最高的NSE,但它提供了最差的不确定性量化,如表4所示。Kapoor和Chandra(2025)也报告了类似的模式,其中所提出的混合分位数DeepGR4J(QDeepGR4J)框架表明,一个

结论

本研究提出了一个基于SDE的框架,建立在GRHyMoLAP模型之上,用于量化降雨径流过程中的不确定性。在所提出的方法中,引入了不同的扩散机制来表征模型动力学中输入驱动、状态驱动和流量驱动的随机扰动,以及它们之间的交互作用。此外,我们还纳入了一个基于XGBoost和SHAP的可解释机器学习框架,以识别与……相关的优势集水区属性

未引用参考文献

Fowler等(2021)

CRediT作者贡献声明

Sianou Ezéckiel Houénafa:撰写—原始草稿、软件、方法论、形式分析、概念化。Lionel Cédric Gohouede:撰写—审阅与编辑、方法论、形式分析。Romuald Daniel Boy-ngbogbele:撰写—审阅与编辑、验证、形式分析。Melissa Latella:撰写—审阅与编辑、验证、形式分析。Olatunji Johnson:撰写—审阅与编辑、验证、形式分析。Cenk Sezen:撰写—审阅与编辑、验证、形式分析。

利益冲突声明

作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文所述的工作。

Sianou Ezéckiel Houénafa | Lionel Cédric Gohouede | Romuald Daniel Boy-ngbogbele | Melissa Latella | Olatunji Johnson | Cenk Sezen
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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