中欧体育(zoty·官方)平台-登录入口

我院孙若辰副教授在陆面水文模型参数不确定性研究领域取得新进展

2024-07-09 818

陆面水文模型是研究陆地水循环过程变化的重要工具,然而这些模型通常包含大量不确定且异质性高的分布式参数,其取值对模型性能有着至关重要的影响。传统的参数率定方法需要依赖预设的目标函数,从而将大量模拟和观测信息压缩为单一目标函数值,从而导致率定后的模拟表现在空间上差异较大等问题,限制了模型在实际应用中的精度和可靠性。

针对这一问题,我院孙若辰副教授所在团队提出了基于人工智能技术的解决方法,并在水文领域权威期刊Water Resources ResearchJournal of Hydrology上发表了题为《Learning Distributed Parameters of Land Surface Hydrologic Models Using a Generative Adversarial Network》和《A Surrogate Modeling Method for Distributed Land Surface Hydrological Models based on Deep Learning》的论文。论文通讯作者为我院段青云教授,合作者为中科院大气物理研究所潘宝祥副研究员。

研究团队创新提出了一种基于生成对抗网络(GAN)的分布式参数学习方法(GAN-PO)。该方法利用一个判别网络来分辨模拟和观测结果,并利用生成网络产生空间连续的参数场,通过反复训练生成器和判别器,最终最小化模拟结果与观测数据之间的差异。通过引入基于深度卷积自回归神经网络的替代模型,使原始物理模型变得可微分,研究团队成功地将GAN-PO应用于淮河流域VIC对于蒸散发的模拟中。研究结果表明,GAN-PO方法显著降低了VIC使用默认参数模拟ET时的误差,几乎在整个研究区域内均实现了误差的减少。此外,相比于传统方法,该方法能够提高模型模拟结果的空间表现。本研究为水文模型的参数估计提供了新的视角,可为变化环境下的陆地水循环研究提供重要的工具。

 

论文信息:

Sun, R., Pan, B., & Duan, Q. (2024). Learning distributed parameters of land surface hydrologic models using a Generative Adversarial Network. Water Resources Research, 60, e2024WR037380.

Sun, R., Pan, B., & Duan, Q. (2023). A surrogate modeling method for distributed land surface hydrological models based on deep learning. Journal of Hydrology, 624, 129944.


 

1. GAN-PO方法示意图

 

2. 基于深度卷积自回归神经网络的替代模型示意图

供稿:冯仲恺  编辑:何肖微  审核:吴志勇

XML 地图