科研人員用深度學習網絡實現分布式水文模擬

近日，南方科技大學環境科學與工程學院教授鄭一團隊在《水資源研究》上發表最新研究成果，介紹了在深度神經網絡中編碼分布式水文模型并進行多任務學習的新方法。

近年來，隨著地球大數據的不斷累積，以深度學習為代表的數據驅動方法已在模擬精度上超越傳統水文模型，但黑箱屬性和物理機制的缺失仍限制了深度學習在水文模擬和水資源管理實踐中的推廣應用。在水文模擬領域，集總式水文模型已被成功編碼到深度神經網絡，但應用更為廣泛的分布式水文模型的編碼仍是一項挑戰。

對此，鄭一團隊成功解決了深度神經網絡進行匯流計算的難題，提出了一個分布式水文模擬的可微建模框架。該框架融合了物理過程網絡、替代網絡、參數化網絡三個神經網絡模塊，不但能完成全局的反向傳播和聯合優化，還能進行多任務學習。

基于新框架，鄭一課題組對地球上最大的河流系統——亞馬遜流域建立了深度學習模型——Hybrid(Q,S)+，該模型以HydroPy全球分布式水文模型為物理內核。研究結果表明，在水文站點徑流觀測數據和GRACE重力衛星數據的共同約束下，新模型對徑流和陸地水儲量的模擬性能分別比原始HydroPy模型提高了41%和35%。

“對于一些難以直接觀測或觀測尺度與模型不匹配的水文過程，融合了物理知識的深度學習模型可以提供新見解。”論文共同通訊作者鄭一介紹。該研究建立的可微建模框架顯著提高了大尺度分布式水文模擬的計算效率和精度，為分布式水文模擬在大數據時代的發展開辟了一條新路徑。

相關論文信息：https://doi.org/10.1029/2023WR036170