走向全球水循环（global hydrological cycle）的混合模拟(hybrid) H2M

水循环（global hydrological cycle）的混合模拟(hybrid) H2M"/>

走向全球水循环（global hydrological cycle）的混合模拟(hybrid) H2M

引言¹

由于地表和地下过程的复杂性、多样性和异质性，以及这些过程和相关参数的尺度依赖性，最先进的全球水文模型(GHMs)在水文模拟中表现出很大的不确定性。

在相关地球观测数据流的推动下，机器学习最近取得的进展可能有助于克服这些挑战。

但是机器学习方法不受物理规律的约束，其可解释性受到设计的限制。

做法

在本研究中，我们举例说明了一种全球水文模型的混合方法，该方法利用神经网络的数据自适应性来表示模型结构中的不确定过程，该模型结构基于构成ghm基础的物理原理(如质量守恒)。

这种机器学习和物理知识的结合可能会导致数据驱动、物理一致性和部分可解释的混合模型。

混合水文模型(H2M)扩展自Kraft等人(2020年)，以1个空间分辨率和每日时间步长模拟全球积雪、土壤水分和地下水储量的动态。

用嵌入的递归神经网络模拟水通量。我们利用多任务学习方法(multi-task learning approach)同时对陆地蓄水变化(TWS)、网格单元径流(Q)、蒸散发(ET)和雪水当量(SWE)的观测结果进行训练。

结果

我们发现，H2M能够再现全球水循环组成部分的关键模式，其模式性能至少与四种最先进的ghm相当，这为H2M提供了必要的基准。

神经网络学习的蒸散发和网格单元径流对前期土壤水分状态的水文响应与我们的认识和理论在定性上是一致的。

模拟的地下水、土壤湿度和积雪变化对TWS变化的贡献是合理的，并且在传统GHMs的范围内。

H2M发现，与ghm相比，过渡带和热带地区土壤湿度对TWS变化的影响更大。

结论

通过这些发现和分析，我们得出结论，H2M为利用机器学习参数模拟全球水循环和物理响应提供了一个新的数据驱动视角，与现有的全球模型框架一致并互补。

混合建模方法有很大的潜力来更好地利用不断增加的地球观测数据流，以促进我们对地球系统的理解，以及监测和建模它的能力。

详细引言

数据同化方法的劣势

而经典资料同化的目的是利用额外的观测资料来修正模型状态或提供初始条件，有希望从数据中学习时变模型参数的概念
如果系统理解和样本外性能(例如，长期预测)不是核心，那么(纯数据驱动的)深度学习方法的使用最近已被提出并应用于水文，以及获得(到目前为止只有定性)见解的实验方法存在(Shen et al., 2018)

端到端，hybrid建模方法

近年来，有人提出将过程模型与机器学习融合成一个端到端的建模系统，即所谓的混合建模方法(Reichstein et al., 2019)
混合方法旨在通过机器学习模型替代不确定参数和过程，有效地获取地球观测数据中的信息，同时仍然保持模型可解释性和物理一致性。
此外，该方法有助于整合和集成来自多个数据源的信息，这是ghm的瓶颈。
混合模型可用于提高地球系统或其组成部分(如海面温度)的可预测性 (de Bézenac et al., 2019)或者次网格大气过程(Rasp et al., 2018)。
另外，混合建模可以利用机器学习模型的灵活性，以检索数据驱动但可解释的物理系数和潜在变量。

TWS(这几段写的太好了，建议看原版内容，原汁原味)

由于模型结构和过程描述、强迫数据和参数值的不确定性，目前的模型模拟无法产生一致的时空模式，因此TWS变化的原因仍不清楚
这种归因于并非微不足道，特别是由于无法在全球范围内单独获得有关储存组成部分的连续观测(例如地下水)或有限(例如土壤湿度，卫星观测仅代表表层土壤)。
因此，需要decomposition of TWS components

目的

complement and bridge
全球尺度水文模拟和基于观测的综合，综合评估混合模拟在全球尺度上的潜力。

模型部分详解😄

• 今日工程

q s u r f , r s o i l , r g w q_{surf},r_{soil},r_{gw} qsurf​,rsoil​,rgw​

总径流=地表+地下径流

红色标识为机器学习输出结果

使用了runoff作为模型训练的约束
机器学习网络输入包括水储量状态

该模型和hbv模型类似，没有模拟surface water storage的模块