[论文解读] SWAT Watershed Model Calibration using Deep Learning

Maruti Kumar Mudunuru, Kyongho Son+2 more|arXiv (Cornell University)|Oct 6, 2021

Hydrology and Watershed Management Studies参考文献 76被引用 10

一句话总结

本文提出一种基于深度学习（DL）的方法，利用卷积神经网络（CNNs）通过输入流量数据来校准SWAT流域模型，以估计21个模型参数。与传统的GLUE方法相比，该DL方法在参数估计方面速度更快、更准确、更可靠，决定系数R²为0.53，纳什-萨特克利夫效率（NSE）为0.67，且推理速度比GLUE快逾1,000倍。

ABSTRACT

Watershed models such as the Soil and Water Assessment Tool (SWAT) consist of high-dimensional physical and empirical parameters. These parameters need to be accurately calibrated for models to produce reliable predictions for streamflow, evapotranspiration, snow water equivalent, and nutrient loading. Existing parameter estimation methods are time-consuming, inefficient, and computationally intensive, with reduced accuracy when estimating high-dimensional parameters. In this paper, we present a fast, accurate, and reliable methodology to calibrate the SWAT model (i.e., 21 parameters) using deep learning (DL). We develop DL-enabled inverse models based on convolutional neural networks to ingest streamflow data and estimate the SWAT model parameters. Hyperparameter tuning is performed to identify the optimal neural network architecture and the nine next best candidates. We use ensemble SWAT simulations to train, validate, and test the above DL models. We estimated the actual parameters of the SWAT model using observational data. We test and validate the proposed DL methodology on the American River Watershed, located in the Pacific Northwest-based Yakima River basin. Our results show that the DL models-based calibration is better than traditional parameter estimation methods, such as generalized likelihood uncertainty estimation (GLUE). The behavioral parameter sets estimated by DL have narrower ranges than GLUE and produce values within the sampling range even under high relative observational errors. This narrow range of parameters shows the reliability of the proposed workflow to estimate sensitive parameters accurately even under noise. Due to its fast and reasonably accurate estimations of process parameters, the proposed DL workflow is attractive for calibrating integrated hydrologic models for large spatial-scale applications.

研究动机与目标

• 解决传统参数估计方法在高维SWAT模型校准中计算效率低下且精度不足的问题。
• 开发一种深度学习框架，利用流量观测数据加速SWAT模型的校准过程。
• 在观测噪声和高维参数空间条件下，提高估计参数的可靠性和精度。
• 通过降低模型校准相关的计算成本，实现可扩展的大规模流域建模。
• 证明在具有复杂非线性参数-响应关系的水文系统中，使用深度学习进行反问题建模的可行性。

提出的方法

• 训练卷积神经网络（CNN）以将观测到的流量水文过程线映射到对应的SWAT模型参数。
• 使用集合SWAT模拟生成包含多样化参数集及其对应流量输出的训练、验证和测试数据集。
• 通过超参数调优确定最优CNN架构及九种表现最佳的替代架构。
• 在从集合SWAT运行生成的合成数据上端到端训练DL模型，学习水文过程线与参数之间的非线性关系。
• 采用标准水文指标评估模型性能：R²、纳什-萨特克利夫效率（NSE）、对数NSE和Kling-Gupta效率（KGE）。
• 基于美国河流域（亚的哥拉河流域）的真实径流数据，对方法进行验证。

实验结果

研究问题

• RQ1 深度学习模型能否从流量观测中准确估计SWAT模型参数，并优于传统校准方法？
• RQ2 在高观测误差和噪声数据条件下，基于DL的校准表现如何？
• RQ3 与GLUE相比，DL方法在推理时间方面实现了多大的计算加速？
• RQ4 估计的参数在集合模拟采样范围内的聚类情况如何？
• RQ5 该DL模型能否推广至具有复杂非线性水文响应的真实流域应用？

主要发现

• 基于DL的校准实现了R²为0.53、NSE为0.67、logNSE为0.78、KGE为0.74，优于最佳GLUE校准结果（R²：0.48，NSE：0.60，logNSE：0.70，KGE：0.68）。
• DL估计的可接受参数集范围比GLUE更窄，表明其具有更高的可靠性并降低了不确定性。
• 即使在高相对观测误差下，DL估计的参数仍保持在采样范围内且聚类良好，显示出对噪声的强鲁棒性。
• DL推理速度至少比GLUE快O(10³)倍，而GLUE需要100至1000多次前向模型运行，因此可实现大规模流域的可扩展应用。
• CNN有效捕捉了流量水文过程线与SWAT参数之间的非线性关系，从而改善了低流量和高流量的预测性能。
• 该方法具有通用性，可通过迁移学习扩展至其他流域模型，未来工作可整合多源数据（如蒸散发ET、积雪水当量SWE）