近日，南方科技大学环境科学与工程学院郑一教授课题组在水文水资源领域旗舰期刊Water Resources Research上发表“Distributed Hydrological Modeling With Physics-Encoded Deep Learning: A General Framework and Its Application in the Amazon”一文，介绍了在深度神经网络中编码分布式水文模型并进行多任务学习的新方法。

近年来，随着地球大数据的不断累积，以深度学习为代表的数据驱动方法已在模拟精度上超越传统水文模型，但黑箱属性和物理机制缺失限制了深度学习在水文模拟和水资源管理实践中的推广应用。融合深度学习和物理过程模型是当前地球科学的前沿，将物理知识直接编码到深度神经网络，实现可微建模（differentiable modeling），是最具前景的发展方向。在水文模拟领域，集总式（lumped）水文模型已被成功编码到深度神经网络，但应用更为广泛的分布式（distributed）水文模型的编码仍是一项挑战。郑一教授课题组成功解决了深度神经网络进行汇流计算的难题，提出了一个分布式水文模拟的可微建模框架（图1）。该框架融合了三个神经网络模块：物理过程网络（physical NN, 即编码后的分布式水文模型）、替代网络(replacement NN，表征水文模型没有刻画或未能准确刻画的过程)、参数化网络（parameterization NN，完成从自然地理属性到水文模型参数的空间映射）。该框架不但能完成全局的反向传播和联合优化，还能进行多任务学习（multi-task learning）。

图1. 分布式水文模拟的可微建模框架

基于新框架，郑一教授课题组对地球上最大的河流系统——亚马逊流域（约600万平方公里）建立了深度学习模型Hybrid(Q,S)+，该模型以HydroPy全球分布式水文模型为物理内核。研究结果表明，在水文站点径流观测数据和GRACE重力卫星数据的共同约束下，新模型对径流和陆地水储量的模拟性能分别比原始HydroPy模型提高了41%和35%（图2）。对于一些难以直接观测或观测尺度与模型不匹配的水文过程，融合了物理知识的深度学习模型可以提供新见解。例如，蒸散发（evapotranspiration）的估计一直是水循环研究的难题，与传统方法相比，本研究中Hybrid(Q,S)+模型推理得出的潜在蒸散发与径流、GRACE重力卫星数据的自洽性更好，且呈现出更为显著的时空变异性（图3）。此外，研究还用沙普利加和解释（SHAP）模型对参数化网络进行了解译，识别了控制关键参数空间变异性的自然地理因素。

图2. 新模型Hybrid(Q,S)+模拟精度的对标分析结果。HydroPyNN代表原始的HydroPy全球分布式水文模型。

图3. 新模型Hybrid(Q,S)+得到时空变异性更为显著的潜在蒸散发计算结果

本研究建立的可微建模框架显著提高了大尺度分布式水文模拟的计算效率和精度，为分布式水文模拟在大数据时代的发展开辟了一条新路径。论文第一作者为南科大环境科学与工程学院2020级博士生王超，郑一教授为论文通讯作者，南方科技大学是论文第一单位。论文共同作者包括德国马普生物地球化学研究所蒋世杰博士和南方科技大学环境科学与工程学院研究副教授韩峰等。该研究得到了国家自然科学基金的支持。计算资源由南方科技大学科学与工程计算中心提供。

文章链接：https://doi.org/10.1029/2023WR036170

供稿：环境科学与工程学院

通讯员：周亦滢

编辑：周易霖