从水文定律到流域模型：基于过程的模型在三大洲达到深度学习的精度

arXiv:2611.06382v1 公告类型：新论文 摘要：Dooge 曾问，水文学是否存在流域尺度的定律。我们提出的问题是：依据物理定律构建的低维系统，能否达到神经网络的精度，而这些神经网络在相同输入下的表现优于基于过程的模型。三条定律约束着一个集总式流域模型。守恒定律使其成为由通量连接的蓄水网络，耗散定律确定每个通量的正负方向，而聚合定律则决定未解析的内部构成如何通过阈值分布上的有效定律以及对驱动的记忆作用影响通量。这些定律允许四类细化。遵循这些定律的简约模型 CaRT（每个流域有 11 个参数）在 AI 智能体辅助的循环中逐步细化。每次细化都通过文献中的一个假设来解决观测到的不足。最终得到的 CaRT+ 具有 14 个状态、每个流域 35 个参数，且不使用逐日神经网络。大多数细化源于对阈值的聚合，或引入本身不承载水量但能调节通量的变量。在英国 602 个和美国 593 个设有测流站的流域上，单个 CaRT+ 模型在留出年份中的 Nash-Sutcliffe 效率系数中位数分别达到 0.863 和 0.765。有状态 LSTM 分别达到 0.869 和 0.751，实体感知 LSTM 分别达到 0.862 和 0.754；而采用三个随机种子的 LSTM 集成模型，在配对 NSE 差值的中位数上仍比 CaRT+ 集成模型领先 0.003–0.012。在未参与模型开发的澳大利亚 505 个较干旱的测流流域上，单个 CaRT+ 模型达到 0.778，而两种 LSTM 分别为 0.762 和 0.753。结果表明，流域尺度的定律以形式定律的方式存在：各流域共享本构关系族，只需学习各自的参数。