多任务学习在水文变量互联与数据稀缺流域预测中的探索与应用

这篇研究通过多任务学习(MTL)框架，创新性地整合长短期记忆网络(LSTM)与CAMELS数据集，系统评估了多水文变量(径流、蒸散发)联合建模的预测性能。研究揭示了MTL在保持单任务模型(STL)精度的同时，通过细胞状态探针技术证实其能更可靠地捕捉土壤湿度(SSM)等非目标变量的水文规律，特别在观测数据稀缺场景下，MTL通过变量间物理关联性显著提升预测能力，为数据受限流域的水文建模提供了新范式。

　　

摘要

深度学习在水文建模中展现出巨大潜力，但数据稀缺和模型可靠性问题仍是挑战。研究突破传统单任务学习(STL)范式，采用多任务学习(MTL)框架，基于LSTM神经网络和CAMELS数据集，构建了同步预测591个流域径流(Q)与蒸散发(ET)的MTL模型。结果表明：MTL在目标变量预测精度上与STL相当（NSE均为0.69和0.92），但其细胞状态探针对非目标变量表面土壤湿度(SSM)的预测相关系数达0.91，显著优于STL模型，证实MTL能更可靠地捕捉水文内在规律。

数据与方法

研究整合了CAMELS数据集671个流域的气象强迫数据、静态属性及USGS径流观测，并引入MODIS ET遥感产品（MOD16A2 v006）和SMAP SSM数据（5cm深度）。MTL模型采用硬参数共享架构，共享层含256个LSTM单元，任务特定输出层含128个神经元。通过Adadelta优化器和0.5的dropout率防止过拟合，采用多随机种子集成训练提升鲁棒性。关键创新点在于设计线性探针模型，通过解码LSTM细胞状态与SSM的关联性来评估模型可靠性。

实验结果

预测性能对比：在λ=1/3的损失权重下，MTL与STL模型表现相当——径流预测RMSE分别为4.18与4.23 m³/s，ET预测KGE均为0.91。但空间分析显示，107个流域存在协同效应（双变量预测均提升），而281个流域呈现竞争关系。

可靠性验证：SSM探针实验中，MTL细胞状态相关系数(0.91)超越STL-ET(0.89)和STL-Q(0.91)，且显著高于气象强迫直接探针(0.76)，证实LSTM通过非线性转换提取了更深层的水文特征。

数据稀缺场景：在SSM短期观测流域，MTL预训练模型（先学径流再联合训练）NSE达0.71，优于STL(0.69)；在无径流观测流域，引入SSM的MTL模型将NSE从0.58提升至0.61，验证了跨变量知识迁移的有效性。

讨论

竞争与协同机制：大样本下MTL未显现显著精度优势，可能与数据异质性稀释了变量间关联有关。但通过预训练策略，MTL能利用径流长期数据补偿SSM短期观测的不足，类似过程模型中多目标优化的交叉受益效应。

应用前景：MTL为融合遥感数据（如ET、SSM）与地面观测提供了框架，尤其在发展中国家等数据稀缺区域。未来可结合物理机制（如微分方程约束）增强模型可解释性，或探索多目标优化算法平衡变量间竞争关系。

结论

研究证实MTL能通过变量互联提升水文模型可靠性，其"一次建模多输出"的特性大幅提升计算效率。在遥感数据爆炸式增长的背景下，MTL有望成为数据驱动水文建模的标准范式，特别是在解决"无测站流域预测"(PUB)等关键挑战中发挥核心作用。