南科大环境学院郑一教授课题组在人工智能用于水文科学知识发现方面取得重要成果

近年来，机器学习方法在水文变量预测方面受到大量关注，研究主要集中在提高模型的预测准确性和不同场景下的泛化能力。然而，由于机器学习模型（特别是深度学习模型）内部的复杂非线性结构通常难以被直观解释，因此如何通过这些“黑箱”模型理解水文过程，推进水文科学知识前沿仍然是一个具有挑战性和吸引力的问题。近期，南方科技大学环境科学与工程学院教授郑一教授课题组提出了一种利用可解释人工智能（explainable AI）研究流域洪水产生机制的新方法，主要包括机器学习建模、模型数据模式反向解译和模式聚类分析等步骤（图1）。相关成果以“Uncovering flooding mechanisms across the contiguous united states through interpretive deep learning on representative catchments”为题发表在水文水资源领域顶尖专业学术期刊Water Resources Research上。

图1. 利用可解释人工智能分析产洪机制的方法框架图

该研究采用长短时记忆网络（Long Short Term Memory Network, LSTM）对美国大陆160个代表性流域构建了水文预报模型，并通过机器学习反向解译技术“期望梯度法”（expected gradients）识别了洪峰的关键解释变量。研究发现，洪峰值与流域降水、气温之间存在三种典型的响应关系，分别指示三种常见的流域尺度产洪机制。同时，产洪机制的空间分异规律很好反映了各流域的地理和气候条件（图2）。新方法仅需利用降水和气温的低维度信息，从纯数据角度出发即可完成产洪机制解译，大大降低了传统解译方法的数据要求和主观性。此外，该研究还分析了LSTM模型在预测不同类型洪水时，其内部在“更新”和“遗忘”信息方面的差异，增强了我们对于人工智能处理水文信息方式的理解。

图2. 产洪机制的空间分布及其与流域地理和气候条件的关系

这项研究为水文过程和极端事件的理解提供了一个崭新的视角，对于未来大数据背景下洪水预警和防范具有重要意义，展示了人工智能应用于科学知识发现的广阔前景。

论文第一作者为南科大-新加坡国立大学联培博士生蒋世杰（已毕业，目前在德国亥姆霍兹环境研究中心从事博士后研究），郑一教授和新加坡国立大学Vladan Babovic教授为共同通讯作者。该研究得到了国家自然科学基金项目（51961125203，92047302）和中国科学院战略先导研究计划（XDA20100104）的资助。

论文链接：https://doi.org/10.1029/2021WR030185