Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics

技术摘要：迈向全美范围内基于机器学习增强的、具有概念可解释性的流域尺度降水-储水-径流动力学建模

问题陈述
尽管近期的典型大规模水文学（LSH）研究已成功应用深度学习（DL），特别是长短期记忆（LSTM）网络，在多样化的流域中实现了最先进的预测精度，但这些“通用型”模型通常充当着黑盒的角色。它们提供的物理可解释性有限，且未能明确编码水文过程的主导地位如何随地理位置而变化。相反，传统的概念性降雨-径流（CRR）模型具有物理可解释性，但在匹配数据驱动方法（尤其是当单一固定结构应用于具有截然不同水文气候机制的区域时）的预测技能方面往往表现不佳。本研究旨在解决的核心挑战是：如何通过开发既具备数据驱动能力又具备概念可解释性的模型，来弥合预测性能与物理理解之间的鸿沟，同时承认最优的模型结构并非普适的，而是取决于局部的过程主导地位。

研究方法
本研究利用 CAMELS 数据集，对美国本土（CONUS）513 个受干扰极小的流域进行了大规模样本分析。核心方法依赖于质量守恒感知器（Mass-Conserving Perceptron, MCP），这是一种在节点层面强制执行质量守恒，同时从数据中学习门控函数的机器学习单元。

1. 模型架构： 作者构建了一个基于 MCP 的不同复杂度的模型层级：
   • 单状态模型：
     • HMCP：一种通用的单状态模型，代表总储水量（土壤水分），不区分雪水。变体包括质量松弛型（$HMCP(1, MR)$）和增强损失型（$HMCP(1, AL)$）。
     • SNOWMCP：一种单状态模型，其状态变量代表雪水当量（SWE），最初针对观测到的 SWE 数据进行训练。变体包括基于温度的基本公式，以及结合了饱和蒸气压亏缺、太阳辐射和极端温度的增强版本。
   • 两状态耦合模型（HYDROMCP）： 明确耦合了一个 SNOWMCP 模块和一个 SOILMCP 模块。测试了两种耦合配置：
     • 串联（Series）：融雪进入土壤储水后再产生径流。
     • 并联（Parallel）：融雪绕过土壤模块，直接汇入出口。
2. 训练策略： 模型是针对每个流域单独进行训练（逐流域训练），而非使用单一的通用架构在所有数据上同时训练。这使得系统性地探索最优模型结构如何随气候、地形和植被而变化成为可能。
3. 评估与选择： 使用 Kling-Gupta 效率指数（$KGE_{ss}$）进行性能评估。模型选择由赤池信息准则（AIC）引导，以平衡预测拟合度与结构的简约性。
4. 基准测试： 将基于 MCP 的模型与以下模型进行了对比：
   • 一个具有 5 个单元状态的质量守恒分布式状态 MCP 网络（$NMCP^{DS}(5)$）。
   • 一个标准的 5 状态 LSTM 网络（$LSTM(5)$）。

关键结果

• 过程主导地位与复杂度： 没有一种单一架构能在所有流域中表现最优。研究发现，模型复杂度的需求与水文气候机制紧密相关。
  • 在雪主导区域，明确表示雪动力学（通过 SNOWMCP 或 HYDROMCP）至关重要。简单的基于温度的雪动力学公式在这些地区表现得非常出色。
  • 在无雪或低海拔区域，最简单的单状态 HMCP 模型通常就足够了，并且更受 AIC 准则的青睐。
  • 两状态耦合模型（HYDROMCP）被选择的频率较低（仅占 22% 的流域），主要出现在复杂的山区或过渡带，即土壤水分和雪动力学都十分重要的区域。
• 预测性能：
  • “最优”简约 MCP 框架（OPTMCP，即为每个流域选择最佳架构，通常为 1–2 个单元状态）在全美范围内的中值 $KGE_{ss}$ 达到了 0.85。
  • 这一性能与更复杂的 5 状态质量守恒 NMCP 基准（中值 $KGE_{ss} \approx 0.85$）相当，且略低于非质量守恒的 5 状态 LSTM 基准（中值 $KGE_{ss} = 0.89$）。
  • 至关重要的是，OPTMCP 框架在近一半的流域中优于质量守恒基准（240 个，共 513 个）。
• 可解释性： 研究证明，具有物理可解释性的质量守恒架构可以用显著更少的参数（8–27 个参数）实现接近最优的预测技能（通用深度学习方法通常拥有 64–256 个状态）。
• 地理格局： 模型架构的选择揭示了明显的空间模式。SNOWMCP 模型在受降雪影响的区域被选中，而 HYDROMCP 模型则出现在特定的西部山区和东南部非雪区域，这表明在这些特定背景下，简化模型存在过程表达缺失的问题。

意义与主张
本文将自身定位为迈向“无处不在的模型”的必要步骤，这类模型不依赖于单一的通用架构，而是承认空间和时间上的变异性。

• 理论驱动的机器学习： 研究认为，水文学研究的未来在于将理论驱动、基于假设的模型与数据驱动的机器学习进行合成。通过使用 MCP 单元，作者展示了模型可以被“机器学习增强”，从而在直接从数据中学习过程动力学的同时，保留传统 CRR 模型的结构可解释性。
• 简约性优于普适性： 作者主张，追求单一的通用模型可能会掩盖区域性的过程差异。相反，开发针对特定过程主导地位（例如雪 vs. 土壤水分）定制的模型家族，有助于实现更好的机制理解和稳健的预测技能。
• 未来工作的基石： 研究总结道，虽然目前的 MCP 模型尚未完全达到过程解析级的物理模型（例如，在仅针对径流进行训练时，内部状态可能充当“信息性”状态），但它们提供了一个强大的基础。作者建议，未来的工作应侧重于将这些简约、可解释的架构嵌入到更广泛的机器学习框架中，以创建下一代能够显式考虑地理-水文-气候变异性的模型，从而将预测能力建立在改进的理论理解之上。

作者保持了谦逊的基调，承认虽然其方法提高了可解释性和性能，但尚未完全解决准确性与物理真实性之间的权衡，特别是在涉及质量-能量耦合和植被相互作用的复杂过渡机制中，这些挑战仍然难以解决。