摘要

本文旨在提升深度学习模型的日径流预测精度，增强模型的可信度，通过引入水文模型的物理过程作为深度学习模型的输入。研究将新安江模型不同模块的输出数据作为额外特征输入，分别应用于GRU、GRU-Seq2seq-Attention两种深度学习模型中，分析不同输入特征和模型结构对径流预测结果的影响，并采用积分梯度法对深度学习模型进行可解释性分析。结果表明，引入不同输入特征显著提升了模型径流预测的精度，其中GRU-Seq2seq-Attention模型在考虑模拟产流时预测精度最优。全局与局部可解释性分析揭示了不同模型在不同流量场景下捕捉关键特征的偏好，为模型的后续优化和改进提供了重要指导。

该篇文章的研究目的

• 提升径流预测精度：通过引入水文模型的物理过程作为深度学习模型的输入，提升深度学习模型的日径流预测精度。

• 增强模型可信度：通过可解释性分析，揭示深度学习模型对流域水文过程的认知，增加模型的可信度。

• 探索模型优化路径：研究不同输入特征和模型结构对径流预测结果的影响，为后续模型优化和改进提供指导。

该篇文章的研究方法

• 模型选择：采用GRU和GRU-Seq2seq-Attention两种深度学习模型，结合新安江模型的输出数据作为额外特征输入。

• 数据处理：使用2005年~2021年的实测数据，通过归一化处理和自相关分析确定模型输入步长。

• 超参数优化：采用贝叶斯超参数优化方法确定模型的隐藏单元数、层数、丢弃率等关键参数。

• 可解释性分析：运用积分梯度法（IG）对模型进行全局和局部可解释性分析，揭示模型在不同流量场景下的特征偏好。

GRU-Seq2seq-Attention模型结构

松溪水文站以上控制流域水系及站点分布

径流量自相关、偏自相关结果

该篇文章的研究内容

• 模型构建与验证：构建并验证了8种不同输入特征组合的深度学习模型，包括单一GRU、Seq2seq模型以及引入新安江模型输出数据的耦合模型。

• 模型性能评估：通过纳什效率系数（NSE）、平均绝对误差（MAE）和均方根误差（RMSE）等指标评估模型预测精度。

• 可解释性分析：分析了不同模型在大流量和小流量场景下的特征偏好，揭示了模型在特定洪水事件中的预测逻辑。

• 模型优化指导：基于可解释性分析结果，提出了模型优化的潜在方向，如输入特征的选择和模型结构的调整。

该篇文章的最大创新点

• 物理过程与深度学习的结合：将新安江模型的物理过程输出数据作为深度学习模型的输入特征，实现了物理模型与数据驱动模型的有机结合，显著提升了径流预测精度。

• 可解释性分析的应用：采用积分梯度法对深度学习模型进行全局和局部可解释性分析，不仅揭示了模型在不同流量场景下的特征偏好，还为模型的优化提供了具体指导。

• 模型性能的显著提升：通过引入物理过程特征，GRU-Seq2seq-Attention模型在径流预测中表现出最优性能，验证了耦合模型的有效性。

该篇文章给我们的启发

• 跨学科融合的重要性：本文展示了将水文学与深度学习技术相结合的强大潜力，为其他领域的跨学科研究提供了范例。

• 模型可解释性的必要性：强调了在应用深度学习模型时，不仅要关注预测精度，还要通过可解释性分析增强模型的可信度和实用性。

• 数据与模型的优化：提醒我们在数据有限的情况下，可以通过优化输入特征和模型结构来提升模型性能。

• 未来研究方向：为后续研究提供了新的思路，如进一步扩大数据集、丰富输入特征以及探索更多可解释性方法来提升深度学习模型的性能和可靠性。