HA.091 [机器学习与水文模拟]通过反向解译深度学习模型揭示流域产洪机制

Jiang, S., Zheng, Y.*, Wang, C., & Babovic, V.* (2022). Uncovering flooding mechanisms across the contiguous United States through interpretive deep learning on representative catchments. Water Resources Research, 58(1), e2021WR030185.

DOI: 10.1029/2021WR030185

机器学习，人工智能，可解释，洪水，LSTM

近年来，机器学习方法在水文模拟领域再次受到重视，显著提高了模型预测准确性和不同场景下的泛化能力。然而，机器学习（特别是深度学习）模型内部的复杂非线性结构通常难以被直观解释，如何通过这些“黑箱”模型来实现知识发现是一个具有挑战性和吸引力的问题。

本研究提出了一种通过可解释人工智能（explainable AI）解析流域洪水产生机制的新方法，包括机器学习建模、模型数据模式反向解译和模式聚类分析等关键步骤（图1）。基于该方法框架，采用长短时记忆网络（Long Short Term Memory Network, LSTM）对美国大陆160个代表性流域构建水文模型，并通过机器学习反向解译技术“期望梯度法”（expected gradients）识别了洪峰的关键解释变量，剖析了LSTM模型的内部工作原理。研究发现，流域出口洪峰值与降水、气温之间存在三种典型输入-输出响应模式，指示了三种流域尺度产洪机制：融雪驱动、近期（极端）降雨驱动和历史降雨累积效应（流域蓄满程度）驱动。产洪机制的空间分异规律很好地反映了流域的地理和气候条件（图2）。新方法仅需降水和气温信息，从纯数据角度完成产洪机制解译，大大降低了传统方法的数据要求和主观性。

图1 利用可解释人工智能分析产洪机制的方法框架图（论文中的Figure 1）

图2 产洪机制的空间分布及其与流域地理和气候条件的关系（论文中的Figure 8）

研究采用“加性分解法”（additive decomposition）进一步分析了LSTM预测不同类型洪水时，其神经元在“更新”和“遗忘”信息方面的行为差异。此外，研究结果还表明，由于LSTM能很好地捕捉变量之间的非线性和时间依赖性，因此对于涉及复杂模式的系统，反向解译LSTM模型与线性的统计模型相比，可以更好地帮助挖掘底层的物理机制。

本研究为水文过程和极端事件的理解提供了一个崭新的视角，对于未来大数据背景下洪水预警和防范具有重要意义，展示了人工智能应用于科学知识发现的广阔前景。

[1] Toms, B. A., Barnes, E. A., & Ebert-Uphoff, I. (2020). Physically interpretable neural networks for the geosciences: Applications to Earth system variability. Journal of Advances in Modeling Earth Systems, 12, e2019MS002002. 

DOI: 10.1029/2019MS002002

[2] Kratzert, F., Herrnegger, M., Klotz, D., Hochreiter, S., & Klambauer, G. (2019). NeuralHydrology – Interpreting LSTMs in hydrology. In Explainable AI: Interpreting, explaining and visualizing deep learning (pp. 347–362). Springer International Publishing. 

DOI: 10.1007/978-3-030-28954-6_19

[3] Berghuijs, W. R., Woods, R. A., Hutton, C. J., and Sivapalan, M. (2016), Dominant flood generating mechanisms across the United States, Geophysical Research Letter, 43, 4382– 4390, 

DOI:10.1002/2016GL068070