标题
A novel hybrid deep learning model with dynamic parameterization for
accurate flood simulation
背景
作者
Bokai Sun；Shenglian Guo；Xin Xiang；
期刊来源
Journal of hydrology
DOI
10.1016/j.jhydrol.2026.135182
摘要
准确的洪水模拟和预报对于水库运营和灾害缓解至关重要。传统的基于过程的水文模型在复杂水文气象条件下的非线性径流响应捕捉能力有限，而深度学习模型表现良好但缺乏物理一致性。为应对这些挑战，提出了一种新型混合动态参数网络（HyDPNet）深度学习模型，将南江模型的差分形式集成到循环神经网络单元中，其参数由辅助神经网络生成。LSTM后处理器进一步捕捉长期依赖关系，提升仿真精度。在陆水河流域的应用表明，HyDPNet模型在训练和测试期间分别获得0.98和0.97的Nash--Sutcliffe效率值，表现优异。与基准模型相比，HyDPNet在洪水事件中产生的模拟误差和洪峰误差最低。通过结合物理过程表示和数据驱动学习，HyDPNet模型提供了一个物理可解释、过程知情的水文模拟框架，支持灾害预防和有效水资源管理。
研究区域以及数据来源
琵水流域位于长江中游，是洪水管理和水资源分配的关键水文系统。涵盖约3,950公里的流域区域2该流域地形多样，东南海拔较高，西北部则逐渐下降。绿水流域属于亚热带季风气候区，气候温暖湿润，年平均气温为15.5°C，年降水量约1550毫米，约70%的降雨集中在4月至9月之间。季节性降水模式导致年径流量约为30.3亿米3.鲁水水库位于河流主流的谷口，蓄水总容量为4.08亿米3，防洪能力约为1.63亿米3.水文动态特点是降雨强烈且集中，地形陡峭，水流集中时间短，导致防洪风险较高。例如，峰值流量达到4500米31995年7月的洪水，以及2017年的多次洪水事件，导致峰值流量超过1000米3/s。这些事件凸显了可靠流入模拟对于高效水库洪水控制作的必要性。
研究使用的水文数据集包括2012年至2019年的3小时降水、盘状蒸发和流入系列数据。降水数据来自流域内分布的17个降雨测量站，而水盆蒸发和流入数据则来自润水水库记录。所有数据集均来自长江水资源委员会水文局。考虑到流域约70%的年降雨集中在4月至9月之间，本研究将5月1日至10月31日定义为年度洪水季节。为了获得盆地尺度输入，采用了蒂森多边形方法对3小时降水数据进行推导面积平均值。属性如下。
算法
西南江（XAJ）模型
西南江（XAJ）模型是最具影响力的概念性降雨-径流模型之一，过去几十年在中国的湿润和半湿润地区被广泛应用和验证。该模型基于饱和-过剩径流生成机制。它由四个主要模块组成：蒸散、径流生成、径流分离和流量路由。
径流生成模块描述了饱和过剩机制，即当面积平均土壤水分超过土壤蓄水能力时，有效降雨便会产生。该关系通过储水容量曲线的指数和不透水面积比值捕捉了流域的异质性，表示空间变异程度和不透水面的比例。径流分离模块将总径流划分为地表水、流水和地下水组成部分，这些成分由自由水储存容量-面积分布曲线驱动，该曲线由地表土壤自由水容量决定，自由水储存到互流的出流系数以及地下水，以及自由水容量曲线的指数。
DP-XAJNet层
可微参数学习（dPL）框架最近成为将物理过程模型整合进可训练神经网络的有效方法。本研究应用了XAJ模型的dPL框架开发动态参数XAJ神经网络层（DP-XAJNet），以提高洪水模拟的准确性。DP-XAJNet将XAJ水文方程嵌入循环更新结构中，使状态演化能够由物理过程定律支配，而非纯粹的数据驱动变换。在这种可微化的表述中，模型参数通过端到端训练得到优化，并被限制在物理意义范围内，确保了可解释性和数值稳定性。通过联合学习动态参数和水文状态，DP-XAJNet能够捕捉年内过程变异和流域长期变化。
静态和动态参数均由具有随机初始化权重的神经网络生成。随后，网络输出通过非线性激活和线性扩展被限制在物理意义范围内。该参数生成过程的整体流程图如下所示。
在DP-XAJNet层的基础上，开发了混合动态参数网络（HyDPNet）深度学习模型，包括三个主要组成部分：输入层、中间处理层和输出层。观测到的降雨、盘状蒸发和流域静态属性首先输入DP-XAJNet层，作为物理学导向的水文机制。
结果分析
四个模型的结果比较如下。
展示了观测到的与模拟流量排放每年都使用箱形图。所有年份中，所有模型都表现出与观测值不同程度的偏差，反映了它们在变化的水文气象条件下捕捉径流动力学的能力差异。XAJ模型显示出最宽的残差分布，显示出最大的离散和最低的仿真精度。与XAJ相比，LSTM和XAJ-LSTM模型的残差范围较小且分布集中。相比之下，HyDPNet模型表现出最窄的四分位数范围和更紧凑的残差分布，反映出更高的精度和更稳定的年际表现。
为了更直观地比较流动模拟的时间动力学，图7展示了测试期间（2017--2019年）观测到和模拟的流水文曲线。可以看出，在2018年相对干旱的一年里，四个模型都有效地重现了该流动，与观测结果高度吻合。然而，2017年和2019年出现了显著的差异，这两年经历了明显的洪水事件。
像大多数数据驱动和混合水文模型一样，所提的HyDPNet模型不可避免地受到输入数据中的不确定性影响，这些不确定性可能通过建模框架传播并影响模拟结果。其次，所提出的HyDPNet模型基于XAJ模型，XAJ主要适用于湿润和半湿润地区。此外，HyDPNet模型集成了多个建模组件，并结合静态流域属性和水文气象强迫作为模型输入。单个组成部分之间的相对误差，以及不同输入变量之间的定量贡献和相互作用，尚未被系统地考察。未来工作将将HyDPNet扩展至多个流域，涵盖多样水文气候，以进一步评估其可转移性和稳健性。此外，系统且全面的研究，包括模型不确定性量化、模型组成部分的相对误差分析，以及对气候强迫和静态流域属性对模型表现贡献的定量评估，将加深对混合DL网络的理解。