arXiv cs.AI· Xilin Xia·· 10 小时前AI 评分38
从水文定律到流域模型：基于过程的模型在三大洲达到深度学习精度
From hydrological laws to catchment models: A process-based model matches deep-learning accuracy on three continents
AI 导读
研究者提出受三条物理定律约束的低维流域模型 CaRT+，每流域 35 个参数、14 个状态，不含逐日神经网络，在英国 602 个和美国 593 个实测流域的留出年份中位 NSE 分别达 0.863 和 0.765，与有状态 LSTM 的 0.869 和 0.751 相当。
正文 · AI 翻译
摘要：Dooge 曾追问水文学在流域尺度上是否存在定律。我们追问：一个依据物理定律构建的低维系统，能否在相同输入下达到神经网络那样的精度——这些神经网络的表现优于基于过程的模型。三条定律约束着一个集总式流域模型。守恒性使其成为通量连通的储水网络，耗散性固定了每个通量的符号，而聚合性决定了未解析的组成如何进入通量——通过阈值分布上的有效定律以及对强迫的记忆。这些定律允许四类细化。在它们之下构建的一个简约模型 CaRT（每个流域 11 个参数）在 AI 智能体辅助的循环中被细化。每次细化都通过来自文献的假设来解决一个观测到的缺陷。其结果 CaRT+ 具有十四个状态、每个流域 35 个参数，且不含日尺度神经网络。大多数细化源于阈值上的聚合，或源于不携带水量但调节通量的变量。在 602 个英国和 593 个美国有观测流域上，单个 CaRT+ 模型在留出年份达到中位 Nash-Sutcliffe 效率 0.863 和 0.765。一个有状态 LSTM 达到 0.869 和 0.751，一个实体感知 LSTM 达到 0.862 和 0.754，而三种子 LSTM 集成在中位配对 NSE 上仍以 0.003–0.012 领先于 CaRT+ 集成。在开发中未使用的 505 个较干旱的澳大利亚有观测流域上，单个 CaRT+ 模型达到 0.778，而两个 LSTM 分别为 0.762 和 0.753。结果表明，流域尺度定律以形式定律的方式存在，其本构族是共享的，只有其参数是学习得到的。
| 评论： | 61 页，12 幅图，13 张表，另有 19 页补充信息 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；动力系统（math.DS）；地球物理（physics.geo-ph） |
| 引用为： | arXiv:2611.06382 [cs.LG] |
| （或本版本的 arXiv:2611.06382v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2611.06382 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xilin Xia 博士 [查看邮箱]
[v1]
2026 年 11 月 4 日星期三 11:45:47 UTC（3,479 KB）
来源：arXiv cs.AI · arxiv.org