《Journal of Hydrology》：A physics-driven hybrid transformer model for hydrologic simulation under nonstationary environmental conditions
编辑推荐：
提出物理驱动的混合Transformer水文模型PD-HTHM，整合LSTM-Transformer编码器与可微分SIMHYD模块，动态调整关键参数以适应非稳态条件。实验表明动态参数化显著优于静态模型，但最优配置因空间异质性而异，验证了模型的有效性和适应性。
张宏伟|陶泽星|王开文|赵刚|陈杰伟|徐端阳|刘荣高|王龙浩|王磊|葛全胜
中国科学院地理科学与自然资源研究所，北京100101，中国
摘要
传统的具有静态参数的水文模型往往难以表征由气候变化和人类活动驱动的非平稳水文过程。为了解决这一挑战，我们提出了一种基于物理驱动的混合变换器水文模型（PD-HTHM），该模型将LSTM-Transformer混合编码器与概念性的SIMHYD模型整合在一个端到端可微分框架中。该模型以物理为基础，利用混合编码器生成随时间变化的参数，从而动态调整关键的水文过程。为了系统评估模型性能，设计了八种面向过程的动态参数化策略，涵盖了地表、土壤和地下水过程，并在英国塞文河流域的71个流域进行了测试。结果表明，所有动态参数化策略在常见评估指标上均优于静态SIMHYD模型，其中同时调整土壤水分储存能力（SMSC）和基流衰减系数（K）的配置取得了最佳的整体性能。然而，最佳参数组合因流域而异，表明存在显著的空间异质性。进一步分析表明，与简单地增加变量参数的数量相比，动态调整与主要水文过程相关的少数关键参数更为有效，可以提高模型在非平稳条件下的鲁棒性和预测准确性。总体而言，PD-HTHM展示了将深度学习与基于过程的建模相结合以改善非平稳水文动态表示的潜力。
引言
水文模型是水资源预测和管理的重要工具，但其可靠性日益受到气候变化和人类活动引起的非平稳条件的威胁。传统模型通常假设流域特征（如植被、土壤）和气候条件是静态的，以简化模型结构（Pathiraja等人，2016年；Konapala等人，2020年）。然而，在气候变化和人类活动的共同影响下，这种静态假设越来越受到挑战（Vora和Singh，2022年）。先前的研究表明，气候变化显著改变了降水模式和温度，而人类活动则大幅改变了流域地表特征（Hwang等人，2018年；Chagas等人，2022年）。气候变率和人类活动的共同影响进一步改变了流域径流制度（Shahid等人，2018年），导致水文过程出现明显的非平稳性。这些观察结果强调了开发能够在非平稳条件下保持稳健性能的水文模型的必要性（Krapu和Borsuk，2022年）。
近年来，越来越多的证据表明，一些水文模型参数应在长期模拟和校准过程中考虑时间变化（Yilmaz等人，2008年；Westra等人，2014年；Zhou等人，2022年）。一方面，这些参数可能会随着非平稳外部驱动因素（如气候和土地利用）的变化而波动（Pan等人，2019年；R. Liu等人，2024年）。另一方面，传统的基于物理的模型通常依赖于静态参数化来简化复杂过程，因为准确参数化这些过程具有挑战性——从而限制了模型捕捉现实世界动态的能力（Efstratiadis等人，2015年；Zhou等人，2022年）。为了提高模型在非平稳条件下的适应性，提出了各种时变参数（TVP）方法，包括数据同化技术（如卡尔曼滤波器和粒子滤波器）、分段校准和函数映射方法（Guilpart等人，2021年；Xiong等人，2019年；Zhang等人，2024年）。尽管这些方法已被证明是有价值的，但它们在灵活性和物理一致性方面存在局限性，特别是在复杂和非平稳条件下。例如，数据同化方法通常依赖于随机游走假设，使其适用于渐进变化，但对突发转变反应较差，同时也对先验设置敏感（Abbaszadeh等人，2019年；Liu等人，2024年）。分段校准可以有效捕捉特定阶段的水文行为，但可能会影响时间连续性并引入边界不连续性（Gharari等人，2013年；Bayat等人，2022年）。经验映射方法通过预定义的统计关系将水文参数与气候和流域属性联系起来，有效捕捉空间和季节变化，但依赖于固定的时间模式，当气候和流域条件发生变化时，其适用性可能会受到影响（Deng等人，2019年；Zhang等人，2024年）。
在时变参数（TVP）方法发展的基础上，数据驱动的深度学习与基于过程的水文模型的整合进一步推进了参数时间变异性的研究。可微分混合建模使得传统水文模型的结构修改成为可能，从而允许与神经网络进行端到端的联合优化（H?ge等人，2022年；Yin等人，2025年）。最近的研究（如Feng等人，2022年；Song等人，2025年）提出了各种可微分混合建模框架，这些框架结合了深度神经网络（如LSTM）进行动态参数化，建立了物理约束与数据驱动学习之间的连贯联系，并在流域尺度模拟和参数可解释性方面取得了显著改进。这些研究表明了将可学习参数与物理约束相结合的有效途径（Tsai等人，2021年；Kraft等人，2022年；Shen等人，2023年）。同时，研究表明，将深度神经网络用于动态参数化并将其与物理机制相结合可以显著提高流域尺度模拟性能和参数可解释性，而在动态参数设计中，灵活性和可解释性之间的内在权衡仍然是一个持续的挑战（Acu?a Espinoza等人，2024年；He等人，2025年）。
基于可微分混合建模，我们提出了基于物理驱动的混合变换器水文模型（PD-HTHM），这是一个端到端可学习的框架。该模型整合了LSTM预编码器和Transformer主干网络，并使用时间注意力来捕捉多尺度气象依赖性，生成用于参数化和更新可微分SIMHYD模块的时变参数。SIMHYD组件反过来为深度网络提供物理约束和过程反馈，实现了深度结构和水文机制之间的连贯整合。采用了一种优化-解耦策略，以确保神经网络和物理模块之间的稳定联合训练。此外，设计了一系列面向过程的动态参数化策略，控制与各种水文过程（如地表径流、土壤水分和地下水补给）相关的参数动态组合，以系统评估它们对模型性能的影响。所提出的模型和参数化策略在自然和受人类影响的流域中进行了评估，以检验它们在不同非平稳条件下的性能。
本文的贡献有两个方面。首先，我们提出了一种可微分的混合水文模型PD-HTHM，它将深度序列建模与基于物理的建模相结合。通过优化-解耦策略，该模型有效地将复杂的深度结构（LSTM-Transformer-时间注意力）与水文过程相结合，并在自然和受人类影响的流域中验证了其可行性和稳定性。其次，我们设计了一系列面向过程的动态参数化策略，并系统评估了不同动态参数组合对关键水文过程的影响。结果表明，参数选择比动态参数的数量更为关键，适当的动态配置可以在保持物理一致性的同时显著提高模型性能。
研究区域和数据
本研究在英国的塞文河流域进行（图1），该流域横跨英格兰和威尔士的部分地区，面积约为21,000平方公里。作为英国最长的河流，塞文河流经的地形和气候梯度明显：西部山区源头的高程超过800米，向东逐渐下降到低洼的平原，导致降水量变化很大——西部年降水量超过2,500毫米，而东部则少于600毫米
SIMHYD模型
在本研究中，使用了概念性水文模型SIMHYD作为基准模型（图S1）。SIMHYD是一个具有七个参数的概念性水文模型，用于根据降水量和潜在蒸散量的时间序列模拟日径流（Chiew等人，2002年）。在该模型中，降雨首先被植被拦截，拦截量由拦截储存能力（INSC）决定。多余的降雨随后渗透到土壤中。最初，最大渗透损失（COEFF）
在不同动态参数策略下PD-HTHM性能的评估
基线SIMHYD模型和PD-HTHM框架内的八种动态参数化策略（S1–S8）的性能分别在表3、图5和图S5中展示。采用的评估指标提供了对模型性能的互补视角。具有静态参数的基线SIMHYD模型在71个流域中的平均NSE为0.752，在非平稳条件下表现出明显的局限性——特别是在模拟低流量（平均mNSE为0.559）和捕捉峰值讨论
对塞文河流域71个流域的系统性比较表明，尽管S6代表了整体最优策略，但动态参数化方案表现出显著的空间异质性（图S10，表S5）。最佳配置因流域而异，这意味着不存在普遍适用的全局最优参数设置。不同的参数组合改变了模型对特定水文过程的响应，从而提高了其适应性
结论
在这项研究中，开发了一种基于物理驱动的混合变换器水文模型（PD-HTHM）。该模型将基于Transformer的动态参数生成模块与概念性降雨-径流模型SIMHYD紧密整合在一个端到端可微分框架中。通过动态调整关键参数以应对非平稳气候条件和人为影响，PD-HTHM显著提高了模拟的物理一致性和模型的适应性
未引用的参考文献
Liu等人，2024a；Liu等人，2024b。
CRediT作者贡献声明
张宏伟：撰写——原始草稿、可视化、验证、方法论、调查、形式分析、概念化。陶泽星：撰写——审稿与编辑、监督、项目管理、方法论、资金获取、概念化。王开文：撰写——审稿与编辑、验证、方法论、形式分析。赵刚：撰写——审稿与编辑、验证、方法论、形式分析。陈杰伟：撰写——审稿与编辑、验证。徐端阳：撰写
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
