Py学习  »  机器学习算法

HA.127 [可微水文模型] 结合深度学习和物理模型的可学习、区域化水文模拟框架

Hydro90 • 1 年前 • 339 次点击  




作者简介|PROFILE


冯大鹏

学习经历:2015和2018年分别在武汉大学和北京大学获学士和硕士学位,目前博士就读于美国宾州州立大学。

主要研究方向:机器学习和物理模型结合的大尺度水文模拟、多源数据融合提升水文预报、气候变化对水资源影响等。



发表论文情况:Nature Communications,Geophysical Research Letters,Water Resources Research.

联系方式:duf328@psu.edu


引文链接|CITATION


Feng, D., Liu, J., Lawson, K., & Shen, C. (2022). Differentiable, learnable, regionalized process-based models with multiphysical outputs can approach state-of-the-art hydrologic prediction accuracy. Water Resources Research, 58, e2022WR032404. https://doi.org/10.1029/2022WR032404



关键词|KEYWORDS


深度学习  物理模型  自动微分  水文模拟


摘要|ABSTRACT


近年来以长短期记忆网络(LSTM)为代表的深度学习模型被广泛应用于降雨径流模拟。很多研究表明,LSTM能极大提升模拟精度,单论对流量的预测性能,物理模型很难达到LSTM的准确度(以NSE,KGE等考量)。LSTM也有解释性不高,没有显式物理约束等缺点。例如,LSTM只能模拟有观测且训练过的变量。只用流量训练得到的LSTM只能输出流量,而只用流量校核的传统水文模型却能给出水文循环其他变量,如蒸散发等的模拟。但由于物理和深度学习模型的精度差距, 似乎物理解释性和最优模型表现不可兼容。那有没有一种模型既能拥有堪比LSTM的预测准确度,又能符合基本水文规律呢?

 我们基于深度学习和物理模型的耦合框架(dPL, 具体见引文2),建立了一种可微分,能自动学习的区域化水文模型(图1)。用水文模型HBV作为基本物理结构,将其实现于可自动微分的深度学习框架中。同时,用深度网络(图1中gA, LSTM单元),从流域属性和气象序列中自动学习之后用于HBV计算的参数。此框架下可灵活地演进原有物理结构。对原HBV的两大改进包括,一增加所有状态变量的数量,使模型具有多个平行计算的组分;二将某些静态HBV参数改进为动态。所有参数都被网络gA自动学到进而用于改进的HBV。整个系统完全耦合于深度学习框架,通过模拟和观测流量的比较计算损失函数,反向传播来训练系统中的深度网络。 我们将此图1的模拟系统称之为可微水文模型(differentiable models)



图1:耦合物理模型和深度学习的可微分区域化模拟框架


 结果表明,可微模型能达到跟LSTM类似的,远超传统模型的预测精度。如在美国CAMELS数据集671个流域上,使用Daymet气象数据,可微模型和LSTM的NSE中位数为0.732和 0.748(图2)。而在NLDAS气象数据上,二者则更为接近,为0.715和0.722。



图2:各种区域化模型流量结果比较

(CAMELS 数据集,Daymet气象驱动)


由于符合物理约束,在给出跟LSTM相当准确度流量模拟的同时,可微模型也可输出其他变量。如图3,该模型模拟的ET和独立的MODIS ET产品十分一致。同时我们也比较了该模型模拟的基流比与基于观测分割的基流比,也较为一致。

此研究说明最大化预测性能与物理过程的体现并不矛盾。在dPL框架下,对现有模型结构进行改进,用物理模型也能实现和纯深度学习相当的预测性能,且可对未训练水文变量进行较好模拟。此外,由于该可微模型使用了区域参数化,可被较好应用于无站点水文模拟中,我们也在后续研究中对无站点预报(PUB)进行了进一步讨论(引文三)。



图3:可微模型模拟蒸散发和独立MODIS ET比较



相关推荐|RECOMMENDATIONS


[1] Feng, D., Fang, K., & Shen, C. (2020). Enhancing streamflow forecast and extracting insights using long-short term memory networks with data integration at continental scales. Water Resources Research, 56, e2019WR026793. https://doi.org/10.1029/2019WR026793

[2]Tsai, W. P., Feng, D., Pan, M., Beck, H., Lawson, K., Yang, Y., ... & Shen, C. (2021). From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling. Nature Communications, 12(1), 1-13. https://doi.org/10.1038/s41467-021-26107-z

[3]Feng, D., Beck, H., Lawson, K., & Shen, C. (2022). The suitability of differentiable, learnable hydrologic models for ungauged regions and climate change impact assessment. Hydrology and Earth System Sciences Discussions, 1-28. https://doi.org/10.5194/hess-2022-245, in review, 2022

撰稿: 冯大鹏  | 编辑: 王泽旭 | 校稿: 周旭东

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/149372
 
339 次点击