点击数: 更新日期: 2023-04-12
论文题目：A novel paradigm for integrating physics-based numerical and machine learning models: a case study of eco-hydrological model
录用期刊：Environmental Modelling and Software(SCI检索，JCR Q1)
原文链接：https://www.sciencedirect.com/science/article/pii/S1364815223000555
封面图片：
封面摘要：该研究成果由陈冲老师团队完成，已被Environmental Modelling and Software (JCR Q1)收录。
作者列表：
1）陈冲 中国石油大学（北京）信息科学与工程学院 电子系教师
2）张慧 中国石油大学（北京）信息科学与工程学院 信息与通信工程专业 硕20
3）史文轩 中国石油大学（北京）信息科学与工程学院 新一代电子信息技术（含量子技术）专业 硕21
4）张伟 中国科学院 西北生态环境资源研究院冰冻圈科学国家重点实验室 助理研究员
5）薛亚茹 中国石油大学（北京）信息科学与工程学院 电子系教师
摘要: 由于交叉学科的性质，需要集成多个模型来考虑不同自然过程之间的联系。然而，基于物理的数值模型的计算成本和精度总是有限的，甚至两者互相制约。本研究在前期整合WOFOST、HYDRUS和MODFLOW的研究基础上，提出了整合数值模型和机器学习模型的新范式。在该范式中，将MODFLOW替换为径向基函数（Radial basis function network，RBF）神经网络，在精度相当的情况下减少计算成本。利用中国西北部的临泽内陆河流域研究站收集的数据进行了合成案例的研究，所提出的范式在灵活性和计算效率方面表现出更好的性能，具有相似的准确性和可接受的泛化能力。
设计与实现: （1）为验证该范式的准确性和可靠性，设计了实验1。将WOFOST、HYDRUS与RBF模型集成到一起得到的新范式的综合模型（WHR）与前期研究的WOFOST、HYDRUS和MODFLOW集成的综合模型（WHM）结果进行对比分析。在本论文研究的WHR范式的综合模型中，数据流与之前的研究相同，WOFOST通过输入作物参数和气象数据计算作物的生长情况，并输出作物的叶面积指数（LAI）、根深（RD）和作物高度（CH）等作物特征参数；LAI和RD是HYDRUS-1D的输入，HYDRUS计算出非饱和区的出流，并将其作为边界条件输入传递到地下水模型；地下水模型根据其计算地下水水头值，并转化为压力水头，作为下边界条件传递回HYDRUS。耦合方案如图1所示。
本文所提范式将在临泽内陆河流域研究站收集的数据构建的生态水文模型上进行测试，生态水文模型如图2。
图1 耦合方案。
图2 生态水文模型的2D图示。
（2）为讨论新范式的计算效率，设计了实验2，实验2中的网格数量大幅增加至原来的25倍，其他条件与实验1保持一致，对比WHR与WHM的计算效率。
（3）为讨论新范式模型的泛化性，设计了以下3个方案来帮助分析讨论。
表1 不同方案的使用模型及方案描述。
实验结果及分析: （1）实验1中，训练模型时，70%的数据集被划分为训练集，30%被划分为测试集。将WHR与WHM的多个特征的对比结果如下。
图3 区域1和区域2的LAI对比图。
图4 区域1和区域2的补给量对比图。
图5 实验1中区域1和2的地下水水头对比图。
通过以上3幅图可以看出RBF模型提供给HYDRUS的接口是合理的，RBF模型产生的地下水水头响应正确，这表明构建的WHR集成模型是具有可行性的，并保持了较好的精度。
（2）实验2的结果如下图6。
图6 实验2中方案1的区域1和2的地下水水头对比图。
在实验1中，WHR和WHM的平均运行时间分别为~63.5 s和~67.8 s。在本实验中，WHR和WHM的运行时间分别为~67.4 s和~322.0 s。WHM的运行时间成本增加了~254.2 s，约是实验（1)的5倍。相反，WHR的运行时间保持相同，占WHM计算资源的20%。
（3）3个方案的结果如下图7。
图7 3个方案得到的地下水水头对比图。
结论: 本文提出了一种集成基于物理的数值模型和机器学习模型的新范式，在精度相当的情况下提高集成模型的计算效率。将集成WOFOST、HYDRUS和RBF (WHR)模型的生态水文模型在OMS建模框架中实现，将其结果与集成了WOFOST、HYDRUS和MODFLOW (WHM)的生态水文模型进行了对比分析，表明了所提方法的可行性。此外，通过改变实验条件进行多组对比实验，证明所提出的WHR在复杂网络方面的计算效率优于WHM，且泛化能力较好。
作者简介: 陈冲，副教授，硕士生导师，中国石油大学（北京）信息科学与工程学院电子系教师，从事教学与科研工作。研究方向：数值模拟、参数反演、机器学习、信息融合、不确定性分析。
联系方式：chenchong@cup.edu.cn