[论文解读] Learning Regionalization within a Differentiable High-Resolution Hydrological Model using Accurate Spatial Cost Gradients

Ngo Nghi Truyen Huynh, François Colléoni+1 more|arXiv (Cornell University)|Aug 6, 2023

Hydrology and Watershed Management Studies被引用 5

一句话总结

本文提出了一种可微分的高分辨率水文建模框架，通过将可学习的基于神经网络的区域化映射与基于伴随法的梯度相结合，实现了在无流量观测流域中的精确参数区域化。通过串联来自可微分水文模型和神经网络的梯度，该方法在易发生暴雨洪水的区域实现了最先进性能，与基线模型相比，中位数纳什-萨特克利夫效率最高提升30%。

ABSTRACT

This data package supports the research paper titled "Learning Regionalization within a Differentiable High-Resolution Hydrological Model using Accurate Spatial Cost Gradients". The dataset comprises preprocessed data sourced from SCHAPI-DGPR and Météo-France, and is stored within a HDF5 file. This can be used to create the hydrological Model object of smash in order to perform various optimization methods. Spanning a duration of 6 years, from August 1, 2016, to July 31, 2022, the dataset pertains to the study area ArcMed in France.

研究动机与目标

• 解决在流量数据稀疏的无流量观测流域中水文参数区域化的问题。
• 克服传统后区域化方法依赖集中参数和线性映射的局限性。
• 通过可微分的物理信息模型与可学习的描述符到参数映射，实现高维、空间分布式的参数校准。
• 通过非线性、数据驱动的区域化方法，提升极端事件模拟（尤其是暴雨洪水）的模型性能。

提出的方法

• 将可微分的高分辨率水文模型（SMASH）与可学习的人工神经网络（ANN）结合，用于描述符到参数的映射。
• 采用多测站校准代价函数，以考虑126个流域中的时空观测数据。
• 使用数值伴随模型，精确计算代价函数相对于模型参数的梯度。
• 通过反向传播在神经网络中应用Adam优化器，梯度来自伴随模型与神经网络的串联。
• 实现一种可微分的缩放函数，将Sigmoid输出映射到物理参数的取值范围内，确保参数的可行性。
• 将空间描述符（如地形、土地利用）与一个三层前馈神经网络（96-48-16个神经元）结合，以预测空间分布的参数。

实验结果

研究问题

• RQ1 具有可学习区域化映射的可微分水文模型是否能改善无流量观测流域中的参数区域化？
• RQ2 基于非线性神经网络的映射与线性回归相比，在捕捉复杂、空间变化的参数关系方面表现如何？
• RQ3 来自高分辨率模型的伴随法梯度在暴雨洪水多发区域的校准精度方面能提升到何种程度？
• RQ4 所提出的框架在上游到下游外推场景中是否能实现稳健性能？
• RQ5 空间代价梯度在高维区域化问题优化中的影响有多大？

主要发现

• HDA-PR框架在法国地中海地区的空间、时间及时空验证中，中位数纳什-萨特克利夫效率（NSE）得分介于0.6至0.71之间。
• 与采用集中参数的基线模型相比，基于神经网络的区域化方法平均使NSE提升高达30%。
• 以洪水为导向的指标表明，神经网络在捕捉洪峰流量和水文曲线形态方面优于多变量线性回归。
• 该方法在最具挑战性的上游到下游外推场景中表现出色，表明其具有强大的泛化能力。
• 通过伴随建模实现的精确空间代价梯度，使得在计算密集型、千米级分辨率区域中的高维优化成为可能。
• 该框架成功学习了非线性描述符到参数的映射，在复杂校准场景中相比线性方法提供了更好的模型可控性。