《Journal of Hydrology: Regional Studies》：Improving runoff simulation using soil moisture guided hybrid modeling: A MISDc-FFNN framework applied to data-sparse basins
编辑推荐：
研究区域该方法在三个对比流域进行评估：摩洛哥的半干旱Rheraya流域以及两个温带流域，Colorso（意大利）和Bibeschbach（卢森堡）。研究焦点本研究引入了一种新方法，使用土壤水分作为混合建模框架中的主要校准变量，而不是流量，以改进径流模拟。该框架
研究区域该方法在三个对比流域进行评估：摩洛哥的半干旱Rheraya流域以及两个温带流域，Colorso（意大利）和Bibeschbach（卢森堡）。研究焦点本研究引入了一种新方法，使用土壤水分作为混合建模框架中的主要校准变量，而不是流量，以改进径流模拟。该框架将双层版本的单日集总式MISDc水文模型（Modello Idrologico Semi-Distribuito in continuo）与紧凑型前馈神经网络（FFNN）相结合。FFNN被集成以基于土壤水分动态改进模型校准并优化参数选择。区域新水文见解在三个流域中，使用两套土壤水分数据集（原位测量和ERA5-Land），结果表明，混合框架在校准期间与传统MISDc方法表现相当，并在独立评估期间持续提升了鲁棒性。所有流域均观察到相关性和效率的绝对增益，温带流域的中位数增加约0.16–0.18，半干旱流域约0.05–0.08，同时模拟误差适度降低。在多个评估时段，混合方法保持了优越性能，而传统模型表现出有限的预测能力。总体而言，所提出的混合框架利用观测和ERA5-Land土壤水分数据增强了径流估算，为数据稀缺环境提供了可靠解决方案，并支持水资源管理。
**论文解读文章**
**研究背景与问题**
流域尺度的降雨-径流（rainfall-runoff, RR）转换预测是水文学中的核心挑战，主要源于控制入渗、径流分配和储水-流量关系的强非线性。这些过程因间歇性降水和地表异质性而进一步复杂化，导致状态变量估算的显著误差。概念性水文模型虽因其简洁性和物理可解释性而被广泛使用，但易受参数等效性（equifinality）影响，即通过允许内部参数补偿模型结构缺陷或强迫数据不确定性，使得模型在拟合观测流量时表现良好，但内部状态不真实，从而削弱了模型在不同水文气候条件或极端事件下的泛化能力。土壤水分（soil moisture, SM）是这一建模瓶颈的关键状态变量，它决定降雨事件是触发快速洪水响应还是被土壤吸收。从物理角度看，土壤水分作为大气强迫的低通滤波器，能够平滑流量测量中的高频噪声，为模型校准提供更稳定和坚实的约束。然而，物理方程对土壤水分的简化近似往往无法充分捕捉复杂现实，表明仅概念模型可能不足以充分利用高分辨率土壤水分数据集中的信息。这推动了物理引导混合建模（physics-guided hybrid modeling）的发展，将过程模型的解释性与机器学习（machine learning, ML）的数据驱动灵活性相结合。本研究旨在解决一个具体的研究空白：将土壤水分作为训练混合水文框架的唯一参考的潜力。研究人员提出了一种将MISDc概念模型与紧凑型前馈神经网络（Feedforward Neural Network, FFNN）混合的新框架，该框架仅以土壤水分技能（skill）来选择和优化参数，避免依赖流量观测进行校准。这一独家校准协议（exclusive calibration protocol）的创新在于隔离关键变量，测试假设：如果内部湿润状态通过原位观测或ERA5-Land再分析得到准确约束，则正确的流量动态应作为物理一致性的副产品出现。
**研究内容与结论**
研究人员在两个温带流域（意大利的Colorso和卢森堡的Bibeschbach）和一个半干旱流域（摩洛哥的Rheraya）上评估了该框架。结果表明，基于土壤水分校准的混合框架在不使用流量进行训练的情况下，能够一致地再现径流的时间、变异性和退水行为。与传统的仅基于流量的MISDc校准方法相比，混合方法在独立评估期间表现出改善的鲁棒性，相关性（correlation, R）和效率（Kling-Gupta efficiency, KGE）的增益在温带流域中位数增加约0.16–0.18，在半干旱流域约0.05–0.08。基于原位土壤水分的模拟倾向于产生更灵敏的高流量行为，而ERA5-Land土壤水分则导致更平滑但季节性一致的流量动态，表明再分析数据在数据稀缺环境中可作为有用替代。此外，对照实验表明，单独使用土壤水分校准而不结合FFNN组件无法复制相同性能，且FFNN优于其他机器学习模型（随机森林、支持向量机、LSTM），证实改进源于土壤水分约束与FFNN组件的协同效应。该论文发表在《Journal of Hydrology: Regional Studies》上。
**主要关键技术方法**
研究人员采用了几个关键方法：（1）使用了三个对比流域的数据，其中土壤水分数据来源于原位站点测量和ERA5-Land再分析产品（空间分辨率约9 km），并进行了归一化和一致性比较；（2）提出了MISDc-FFNN混合框架，其中MISDc为双层概念性水文模型，FFNN为单隐藏层（15个神经元）前馈神经网络，模型参数通过蒙特卡洛采样（200组）基于土壤水分纳什-苏特克利夫效率（Nash-Sutcliffe efficiency, NSE）进行校准，并应用提前停止（NSE≥0.97）；（3）采用分裂样本检验（split-sample test），将流量记录分为两个子时段进行双向校准验证，以评估参数的时间迁移性；（4）性能评估使用相关性（R）、Kling-Gupta效率（KGE）和平均绝对误差（mean absolute error, MAE）三个指标。
**研究结果**
**比较原位和ERA5-Land土壤水分**
通过归一化时间序列和统计指标（Pearson相关系数R和均方根误差RMSE），发现ERA5-Land能再现三个流域土壤水分的主要时间行为，包括季节性干湿交替和主要增加-衰退时机，相关系数分别为Bibeschbach 0.77、Colorso 0.90、Rheraya 0.78。尽管ERA5-Land在短期变异性上表现更强，但其时间一致性支持其作为混合框架约束的适用性。
**Bibeschbach流域**
基于原位土壤水分的MISDc-FFNN混合框架在所有评估时段表现出稳定性能（R=0.75-0.76，KGE=0.67-0.75，MAE=0.08-0.09），ERA5-Land驱动时略低但稳健（R=0.66-0.70，KGE=0.65-0.67，MAE=0.06-0.10）。传统仅流量MISDc对校准时期高度敏感，2008年校准优秀但2007年校准显著弱化（R=0.49，KGE=0.45）。流量历时曲线（flow duration curves, FDCs）显示混合方法能紧密再现观测流量的整体分布，但原位土壤水分驱动时高流量响应更灵敏。
**Colorso流域**
混合框架在Mediterranean流域表现稳健，基于原位SM时R=0.75-0.90，KGE=0.52-0.59，MAE=0.05-0.07；ERA5-Land驱动时KGE一致性更高（0.55-0.62）。时间序列分析显示混合方法准确再现秋冬降雨驱动的洪峰时机和幅度，退水行为接近观测。传统仅流量MISDc校准性能高但验证时效率显著下降（如2002-2004时段KGE≈0）。FDC表明混合方法能良好再现中流量范围，但低流量存在湿偏差，ERA5-Land导致高流量进一步衰减。
**Rheraya流域**
在强水文气候变异的半干旱流域，混合框架表现出稳健物理一致性。基于原位SM时R≈0.80，平均KGE≈0.68，MAE=0.30-0.31；ERA5-Land驱动时R=0.80-0.83，KGE=0.62-0.65。两者均捕捉主要洪水事件和退水过程，但峰值幅度有适度衰减。传统仅流量MISDc显示校准技能高但转移性有限，表现为校准-验证指标显著分化。FDC揭示原位SM驱动时高流量高估，ERA5-Land驱动时高流量更准确，这归因于原位站点位于流域上部无法代表空间变异性，而ERA5-Land提供更综合的空间平均信号。
**讨论与结论**
讨论部分指出，混合框架通过土壤水分约束有效减少了参数等效性（equifinality）和过拟合，维持了跨条件的径流生成和退水一致性。原位土壤水分驱动高流量响应更灵敏，ERA5-Land则提供更平滑但季节一致的动态，再分析土壤水分为数据稀缺环境提供了有用替代来源。FFNN组件捕捉了概念模型未表征的非线性关系，而单独土壤水分校准效果有限。结论部分总结：本研究开发并评估了一个土壤水分引导的混合降雨-径流建模框架，成功在不使用流量观测进行校准的情况下再现了径流动态的主要特征。所提出的框架在三个对比流域中表现优于传统流量校准方法，在误差减少和跨时段一致性方面有改进。这些结果建议基于土壤水分校准参数可作为正则化机制，改善内部水文状态表征并减少等效性。局限性包括点尺度土壤水分观测代表流域尺度的不确定性、每日时间步长未能完全解析短期降雨事件和快速径流响应，以及峰值流量的潜在衰减。未来工作应探索更高时间分辨率数据在事件尺度或亚日尺度建模中的应用。
