从概念水文模型到概念可解释神经网络：一个雪水质量守恒感知机框架用于发现流域尺度降水-存储-径流表征

arXiv cs.LG 论文
hydrology neural-networks interpretable-ai snow-modeling mass-conserving perceptron catchment-scale

摘要

本文提出了一种质量守恒感知机（MCP）框架，将概念水文模型重构为物理约束、可解释的神经网络，并在513个CAMELS-US流域中针对雪水表征进行了评估。

arXiv:2607.26492v1 Announce Type: new 摘要：质量守恒感知机（MCP）建立了一种建模范式，其中概念水文模型可以被重构为物理约束、概念可解释的神经网络。本文开发了一个雪水MCP网络框架，并在513个CAMELS-US流域中进行了评估。我们首先将耦合的双状态SOIL-MCP和SNOWMCP概念模型重铸为质量守恒神经网络，并表明水文模型和神经网络公式获得了相当的预测性能。然后，我们考察了双状态HYDROMCP架构中的跨节点状态信息共享，并评估了由三种可解释MCP单元（包含1至5个状态）构建的更广泛的单层网络。在全美范围内，中位数KGEss从单状态网络的0.82增加到双状态网络的0.89和五状态网络的0.90，表明超过两个状态后总收益递减。基于流域特定选择的MCP和LSTM给出了相同的0.90中位数KGEss，而所选MCP网络平均使用的参数更少。互补的AIC和KGE选择识别出了紧凑的、针对特定流域的有向图表示，平衡了预测准确性和模型复杂性。这些分析为识别水文表征所需状态的数量、类型和相互作用提供了经验基础。未来的研究应测试针对多个水文响应（如径流、雪水当量和地下水储量）的联合训练。
查看原文
查看缓存全文

缓存时间: 2026/07/30 09:59 

# 从概念性水文模型到概念可解释的神经网络：用于发现流域尺度降水-蓄存-径流表征的融雪水量守恒感知器框架
来源：https://arxiv.org/abs/2607.26492
查看PDF（https://arxiv.org/pdf/2607.26492）

> 摘要：质量守恒感知器（Mass-Conserving Perceptron, MCP）建立了一种建模范式，使得概念性水文模型能够被重构为受物理约束、概念可解释的神经网络。本文开发了一个融雪水量MCP网络框架，并在513个CAMELS-US流域上进行了评估。我们首先将一个耦合的双状态SOIL-MCP和SNOWMCP概念模型重构为质量守恒神经网络，并表明水文模型与神经网络公式达到了可比的预测性能。随后，我们研究了双状态HYDROMCP架构中跨节点状态信息共享，并评估了由三种可解释MCP单元（包含一至五个状态）构建的更宽泛的单层网络。在全美范围内，中位KGEss从单状态网络的0.82增加到双状态网络的0.89，再到五状态网络的0.90，表明超过两个状态后聚合增益递减。基于特定流域的MCP和LSTM选择均达到相同的中位KGEss值0.90，而选中的MCP网络平均使用更少的参数。基于AIC和KGE的互补选择识别出紧凑的、特定流域的有向图表示，在预测精度和模型复杂度之间取得了平衡。这些分析为确定水文表征所需的状态数量、类型及相互作用提供了经验基础。未来研究应针对多个水文响应（如径流、雪水当量和地下水储量）进行联合训练测试。

## 提交历史

来自：王元亨 \[查看电子邮件 (https://arxiv.org/show-email/629560bb/2607.26492)\] **\[v1\]** 2026年7月29日星期三 05:38:43 UTC（46,802 KB）

相似文章

物理信息机器学习用于短期洪水预测

arXiv cs.LG

研究人员提出了一种物理信息机器学习（PIML）框架，将水文约束整合到LSTM损失函数中，以改善短期洪水预报，特别是在数据稀缺的情况下。一种“趋势对齐”约束确保了降水与流量趋势之间的一致性，提高了纳什-苏特克利夫效率，并消除了极端事件期间的非物理预测。

Mini-JEPA基础模型舰队赋能自主水文智能

arXiv cs.LG

本文介绍了由五个传感器专用Mini-JEPA基础模型组成的舰队，用于水文智能，实现了高重建精度（R²高达0.97），并在通过LLM代理路由的物理匹配任务上超越了Google AlphaEarth通才模型。