技术摘要：从概念水文模型到具有概念可解释性的神经网络

问题陈述

水文学界面临着物理-概念（PC）模型与数据驱动机器学习（ML）方法之间持久的二分法。PC 模型通过显式的过程表示提供可解释性，但往往依赖于过度压缩的状态空间假设。相反，灵活的黑盒机器学习模型（如长短期记忆网络 LSTM）在多种工况下都能实现高预测精度，但缺乏能够转化为科学理解的内部表示。这种差距在降雪主导区域尤为突出，因为表征耦合的雪–水动力学需要考虑复杂的相变和储水机制。尽管最近的研究尝试将物理约束（如质量守恒）集成到机器学习架构中，但仍需要一种框架，能够在不牺牲概念可解释性的前提下，架起预设过程路径与灵活函数逼近之间的桥梁。

方法论

本研究推进了质量守恒感知器（Mass-Conserving Perceptron, MCP）框架，这是一种在节点层面显式强制执行质量守恒的循环神经网络单元。本研究将视角从将概念模型与神经网络视为截然不同的范式，转变为将它们视为同一个降水–储水–径流（PSR）问题的不同替代表示。

核心计算单元：
研究采用了三种主要的基于 MCP 的计算单元：

1. HMCP(1, AL)： 单节点单元，代表类土壤水分储水，其输出门和损失门取决于储水状态和潜在蒸散发。
2. SNOWMCP(1, BQ)： 单节点单元，代表雪水当量（SWE），具有降雨–降雪划分、融雪以及取决于温度和内部 SWE 状态的损失门功能。
3. HMCP(1, ALMR)： 增强型 HMCP 变体，增加了质量松弛门，用以表示与环境之间未观测到的质量交换。

实验框架：
作者利用来自美国本土 513 个受扰动极小的流域（CAMELS-US）的数据（水文年 1982–2008）对这些单元进行了评估。实验设计通过以下架构假设进行演进：

• 耦合水文模型（HYDROMCP）： 通过串联（路由）或并联（旁路）配置将 HMCP 和 SNOWMCP 耦合在一起的双节点架构。这些模型测试了显式的过程假设，即雪融水是通过土壤储水路径还是绕过它进行路由。
• 跨节点状态共享： HYDROMCP 的变体，其中一个节点的门控函数可以访问另一个节点的单元状态（例如，土壤水分影响融雪门），用于测试耦合状态相互作用的假设。
• 函数逼近网络： 由并行 MCP 节点构成的单层前馈神经网络。其中包括：
  • 分布式状态（DS）网络： 由 1–5 个 HMCP 或 SNOWMCP 节点组成的同质网络。
  • 信息共享： 具有全状态共享（SALO）、仅相邻节点共享以及多输出层的变体。
  • 混合类型网络： 结合了 HMCP 和 SNOWMCP 节点的架构。
• 基准测试： 使用两个标准对性能进行比较：Kling-Gupta 效率系数（$KGE^{ss}$）用于衡量预测技能，以及赤池信息准则（AIC）用于平衡技能与模型的简约性（参数数量和状态维度）。

核心贡献

1. 统一表示： 本文建立了一种建模范式，将概念水文模型重新表述为受物理约束且具有概念可解释性的神经网络。它证明了 PC 模型与神经网络之间的区别通常在于架构结构而非基本哲学。
2. 雪–水 MCP 框架： 针对降雪环境对 MCP 框架进行的特定扩展，引入了 SNOWMCP 单元并评估了其与土壤水分表示的耦合情况。
3. 复杂度分析： 对不同流域所需最小模型复杂度的系统评估。研究量化了储水状态数量、计算单元类型与实现有效表示所需的必要性之间的权衡。
4. 模型选择指导： 开发了基于 AIC 和 KGE 的选择框架，用于识别特定于流域的最优架构，从而在预测精度与结构简约性之间取得平衡。

结果

性能与复杂度：

• 状态维度： 在全美范围内，单状态网络的其中值 $KGE^{ss}$ 为 0.82，两状态网络增加到 0.89，五状态网络达到 0.90。研究发现，超过两个状态后，总体的增益趋于递减，这表明两个状态通常足以进行稳健的表示。
• 雪与土壤： 在降雪主导的流域中，耦合雪和土壤组件（HYDROMCP）相比单状态模型显著提升了性能。降雪流域的 $K胶$ 中值 $KGE^{ss}$ 从单状态 HMCP 的 0.72 提高到了两状态 HYDROMCP 的 0.89。
• 信息共享： 跨节点状态共享（SALO）带来了实质性收益，特别是在高海拔、受降雪影响的地区。例如，在落基山脉地区，三节点 SNOWMCP 网络的其中值 $KGE^{ss}$ 从无共享时的 0.90 增加到了有共享时的 0.96。
• 函数逼近： “函数逼近”网络形式（其中 HMCP 和 SNOWMCP 接收总降水量，输出通过 Softmax 合并）达到了与更僵化的“水文模型”形式（串联/并联路由）相当的性能，但具有更大的表示灵活性。

与 LSTM 的比较：

• 预测技能： 基于 MCP 的特定于流域的最佳网络达到了 0.90 的中值 $KGE^{ss}$，与表现最好的 LSTM 网络相当。
• 参数效率： MCP 网络在达到此性能的同时，平均使用的参数显著更少（最佳 MCP 为 69.45，而最佳 LSTM 为 115.86）。
• 选择标准： 在基于 AIC（倾向于简约性）的选择下，63% 的流域更倾向于 MCP 网络；而在基于 KGE（倾向于纯粹技能）的选择下，偏好几乎平分秋色（49.3% MCP 对 48.9% LSTM）。

区域差异：

• 降雪体制： 降雪相关表示和状态共享带来的性能增益在西部高海拔流域（如落基山脉、内华达山脉）最为显著。在这些地区，具有显式雪状态和跨节点共享的模型比单状态模型优势巨大。
• 非降雪流域： 在非降雪流域，多状态架构仍然提供了收益，这表明即使在不存在主导降雪过程的情况下，多个流量路径通常也是必要的。

意义与主张

作者声称，本研究为确定水文表示所需的数量、类型和相互作用提供了经验依据。通过将概念模型和神经网络视为连续的表示，该框架允许在数据驱动且质量守恒的结构内，系统地测试水文假设（例如，雪–土壤耦合的必要性）。

本文提出：

1. 保留了可解释性： 与黑盒 LSTM 不同，基于 MCP 的网络保留了概念可解释性，因为其内部状态和门控机制对应于物理概念（储水、通量、相变）。
2. 实现了简约性： 紧凑的、特定于流域的架构（通常为两状态）可以恢复大部分复杂模型的预测技能，为开发既准确又具有科学基础的“处处适用模型”提供了切实路径。
3. 未来方向： 作者建议，未来的工作应测试针对多种水文响应（如径流、雪水当量、地下水）的联合训练，以更好地约束学习到的内部状态，并进一步加强统计学习与物理推理之间的联系。他们还强调了利用这些框架生成组合假设以及通过生成模型探索潜在假设空间的潜力。

研究结论认为，MCP 框架成功地架起了物理-概念推理与现代数据驱动建模之间的桥梁，为流域尺度 PSR 动力学提供了一种透明且可进行科学检验的方法。