LSTM与MC-LSTM网络在埃布罗河流域水文模拟中的对比评估：物理约束对洪水预测的影响

本研究针对深度学习模型在径流模拟中可解释性和物理一致性不足的问题，比较了长短期记忆网络(LSTM)与质量守恒LSTM(MC-LSTM)在西班牙埃布罗河流域的表现。通过引入分位数归一化均方根误差(nRMSETx)和小波相干性分析，发现MC-LSTM在高流量事件检测中更具优势，但存在时间滞后特性，为物理引导的深度学习水文模型提供了新见解。

　　

在全球气候变化加剧的背景下，水文预测的准确性对水资源管理、防洪减灾和生态保护至关重要。传统物理水文模型虽然基于质量、动量和能量守恒定律，但需要大量计算资源和详细的空间数据，难以应用于大流域。数据驱动模型如人工神经网络(ANN)虽能处理复杂非线性关系，但传统ANN无法捕捉水文时间序列的时序动态。长短期记忆网络(LSTM)通过门控机制解决了这一问题，但其缺乏物理约束可能导致预测结果不符合水文规律。

为弥补这一缺陷，质量守恒LSTM(MC-LSTM)被提出，其通过重构矩阵强制实现质量守恒。然而，现有研究对MC-LSTM在洪水峰值检测、时间精度和物理规律遵守方面的评估仍存在空白。针对这一问题，I.C. González-Planet和C. Juez在埃布罗河流域北部开展研究，比较了LSTM和MC-LSTM在三种训练场景下的表现。

研究采用的主要技术方法包括：1)基于k-means聚类将39个水文站分为5组；2)使用365天滑动窗口构建LSTM和MC-LSTM模型；3)引入针对特定重现期(T_0.5、T₁、T₂、T₅、T₁₀)的归一化均方根误差(nRMSE_Tx)评估峰值流量误差；4)应用Morlet小波相干性分析量化预测与观测流量间的时间延迟。

研究结果部分显示：

1. 1.

   模型性能评估：区域LSTM模型(TS2)在Nash-Sutcliffe效率系数(NSE)上表现最佳(中位数0.66)，而MC-LSTM在TS1和TS3场景下对高重现期流量(T₅和T₁₀)的预测误差更低(nRMSE_T10分别为0.61和0.50)。

2. 2.

   峰值流量分析：LSTM在中等流量(T_0.5-T₂)预测中误差较小，但误差随重现期增加而上升；MC-LSTM因质量守恒约束，在高流量事件中表现更稳定。

3. 3.

   时间延迟特性：小波分析显示LSTM相位一致性更好，而MC-LSTM在1095天周期附近出现显著时间滞后，可能与质量再分配过程有关。

讨论部分指出，MC-LSTM的质量守恒机制虽然提高了极端事件的检测能力，但可能限制了其对局部水文响应的时序捕捉。序列长度(365天)与模型性能密切相关，反映了年周期在水文过程中的主导地位。研究建议未来可通过迁移学习结合空间特征数据来平衡预测精度与时间延迟。

该研究发表在《Journal of the Indian Chemical Society》，其重要意义在于：1)建立了评估深度学习水文模型性能的多指标框架；2)证实物理约束能改善极端事件预测但可能影响时序精度；3)为不同数据可用性场景提供了模型选择依据。这些发现对洪水预警系统设计和跨流域模型迁移具有指导价值。