三月第三周周报

标题

Physics-informed machine learning with embedded sediment rating curve constraints for high-fidelity multi-lead-time forecast of suspended sediment concentration

背景

作者

Yousef Hemmatzadeh , Sadra Shadkani

期刊来源

Journal of hydrology

DOI

10.1016/j.jhydrol.2026.135287

摘要

悬沙浓度(SSC)预测受到水文变异性和多尺度相互作用驱动的非线性、非平稳动力学的阻碍。传统模型往往无法捕捉到这些复杂性，因此需要自适应的、了解物理的方法。本研究开发了一个基于物理的机器学习框架，该框架将经验沉积物评级曲线作为可微正则化项嵌入MLP-SGDXGBoost损失函数中。测试了两种公式:Fern´andez等人(2018)的单态方程和一种新颖的、基于阈值的分曲线。利用密西西比河上游下游切斯特(CH)和底比斯(TH)站1982-2022年的日流量(Q)和SSC数据，综合当前Q和三天前SSC和Q，采用先进的物理信息极端梯度增强树模型(APhyXGBoost-6)，得到R2 = 0.981 (CH)和0.986 (TH)。R2比常规XGBoost提高15.5-16.1%，散射指数降低66%以上。它精确地复制了极端SSC事件和重尾分布，保持了长达14天的交货时间。在高流量条件下，经验评级曲线失效(NSE <−16))，APhyXGBoost-6保持了高保真度(R2> 0.95)。当实时流量与之前的沉积物记忆相结合时，性能达到峰值，反映了水力强迫和沉积物可用性的物理耦合。关键是，它再现了大洪水期间(2013-2019年)观测到的顺时针迟滞回线，预测的迟滞指数值与观测值在平均绝对误差为0.02的范围内匹配。这项工作建立了一个可推广的框架，用于将状态感知知识嵌入到数据驱动的模型中，推进复杂河流系统的操作SSC预测。

研究区域以及数据来源

密西西比河是北美第二长的河流系统，发源于明尼苏达州北部的伊塔斯卡湖，流经美国中部，最后流入墨西哥湾。它的主干长度约为3781公里，是美洲大陆最广阔的流域之一的重要组成部分。虽然密苏里河的长度超过密西西比河大约160公里，但密西西比河-密苏里河的综合系统通常被认为是一个单一的水文实体，在全球河流总长度中排名第四。研究区域集中在沿河流中游的两个地理位置优越的水文测量站:伊利诺伊州切斯特(CH)(站代码:07020500;坐标:37◦54′02.7″N，89◦49′48.8″W)和伊利诺伊州底比斯(TH)(车站代码:07022000;坐标:37◦13′12.9″N、89◦27′47.4″W)。这两个监测站都提供了1982年至2022年期间m3/s和SSC的日排放量(Q) (mg/L)记录，数据来自美国地质调查局(USGS)国家水信息系统。图1显示了美国密西西比河上CH和TH站的位置。

由于数据下载流量异常，后续模型复现我将用AI构造的模拟数据进行模型复现。

算法

、

为了评估所开发模型的估计性能和泛化能力，采用了一个多度量评估框架，包括5个完善的统计指标:平方Pearson相关系数(R2)、散点指数(SI)、Nash-Sutcliffe效率(NSE)、Willmott’s Index of Agreement(WI)和相对绝对误差(RAE)。这些指标捕捉了模型行为的不同方面，包括方差解释、误差幅度、偏差结构和相对精度。

模型复现

预测与实际的SSC散点图，模型分别为：Baseline MLP-SGD。Baseline XGBoost。PhyMLP-SGD。APhyXGBoost-SSC。

SSC的残差图如下，模型顺序与散点图一致。

时间序列图如下，蓝色为实际，红色为预测。顺序如上一致。

误差分布直方图如下，顺序如上。

后续将会对各个模型进行各个数据上的评估，并进行进一步的模型对比。