A Deep State Space Model for Rainfall-Runoff Simulations

📄 arXiv: 2501.14980v1 📥 PDF

作者: Yihan Wang, Lujun Zhang, Annan Yu, N. Benjamin Erichson, Tiantian Yang

分类: cs.LG, cs.AI, physics.ao-ph

发布日期: 2025-01-24

💡 一句话要点

提出基于S4D-FT的深度状态空间模型，用于提升降雨径流模拟精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 降雨径流模拟 深度学习 状态空间模型 S4D-FT 水文建模

📋 核心要点

  1. 传统水文模型和LSTM在降雨径流模拟中存在局限性，需要新的深度学习架构。
  2. 提出基于S4D-FT的状态空间模型，旨在更有效地捕捉降雨径流过程中的时序依赖关系。
  3. 在531个流域的实验表明，S4D-FT模型在降雨径流模拟任务中优于LSTM模型。

📝 摘要（中文）

本文提出了一种用于降雨径流模拟的深度状态空间模型（SSM），具体而言是频率调谐对角状态空间序列（S4D-FT）模型。传统的降雨径流过程研究依赖于概念性或物理水文模型。近年来，深度学习（DL）已成为一种替代方法，并在水文领域蓬勃发展。然而，数十年前的长短期记忆（LSTM）网络仍然是该任务的基准，其性能优于诸如Transformer等较新的架构。本文将提出的S4D-FT与已建立的LSTM和基于物理的Sacramento土壤湿度核算模型在contiguous United States (CONUS)的531个流域进行了基准测试。结果表明，S4D-FT能够在不同区域优于LSTM模型。我们率先将S4D-FT引入降雨径流模拟，挑战了LSTM在水文领域的统治地位，并扩展了可用于水文建模的深度学习工具库。

🔬 方法详解

问题定义：降雨径流模拟是水文研究中的关键问题，旨在预测流域的径流量。传统的物理模型计算复杂，深度学习方法中LSTM虽然应用广泛，但可能无法充分捕捉长程时序依赖关系，限制了模拟精度。因此，需要一种更有效的深度学习模型来提升降雨径流模拟的性能。

核心思路：本文的核心思路是利用状态空间模型（SSM）的优势，特别是S4D-FT模型，来建模降雨径流过程。S4D-FT模型通过频率调谐机制，能够更好地捕捉不同频率的时序信息，从而更准确地模拟降雨径流过程中的复杂动态。

技术框架：该研究采用S4D-FT模型作为核心，输入为降雨等水文气象数据，输出为径流量。模型首先将输入数据编码到高维状态空间，然后通过状态转移矩阵进行演化，最后解码得到径流量预测。整个框架与传统的深度学习模型类似，但核心在于S4D-FT模型的选择。

关键创新：该研究的关键创新在于将S4D-FT模型引入到降雨径流模拟任务中。与LSTM等循环神经网络相比，S4D-FT模型具有更强的长程依赖建模能力，并且能够通过频率调谐机制自适应地学习不同频率的时序信息。这是对传统水文模型和LSTM模型的有益补充。

关键设计：S4D-FT模型的关键设计在于其对角状态转移矩阵和频率调谐机制。对角状态转移矩阵降低了计算复杂度，使得模型能够处理更长的序列。频率调谐机制允许模型自适应地学习不同频率的时序信息，从而更好地捕捉降雨径流过程中的复杂动态。具体的参数设置和损失函数选择可能需要根据具体流域的数据进行调整。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，在CONUS的531个流域上，S4D-FT模型在降雨径流模拟任务中优于LSTM模型。具体的性能提升幅度未知，但该结果表明S4D-FT模型在捕捉降雨径流过程中的时序依赖关系方面具有优势，为水文建模提供了一种新的有效工具。

🎯 应用场景

该研究成果可应用于流域水文预报、水资源管理、洪水预警等领域。通过提高降雨径流模拟的精度，可以更准确地预测流域的径流量，为水资源规划和防洪减灾提供科学依据。未来，该模型可以进一步推广到其他流域，并与其他水文模型相结合，构建更完善的水文预报系统。

📄 摘要（原文）

The classical way of studying the rainfall-runoff processes in the water cycle relies on conceptual or physically-based hydrologic models. Deep learning (DL) has recently emerged as an alternative and blossomed in hydrology community for rainfall-runoff simulations. However, the decades-old Long Short-Term Memory (LSTM) network remains the benchmark for this task, outperforming newer architectures like Transformers. In this work, we propose a State Space Model (SSM), specifically the Frequency Tuned Diagonal State Space Sequence (S4D-FT) model, for rainfall-runoff simulations. The proposed S4D-FT is benchmarked against the established LSTM and a physically-based Sacramento Soil Moisture Accounting model across 531 watersheds in the contiguous United States (CONUS). Results show that S4D-FT is able to outperform the LSTM model across diverse regions. Our pioneering introduction of the S4D-FT for rainfall-runoff simulations challenges the dominance of LSTM in the hydrology community and expands the arsenal of DL tools available for hydrological modeling.