Physics-informed, Differentiable Hydrologic Models for Capturing Unseen Extreme Events
Notice bibliographique
Résumé
Recently, a hybrid framework combining deep learning (DL) and process-based equations, termed differentiable modeling, has shown comparable accuracy to DL models while offering enhanced interpretability and spatial generalizability. However, it remains unclear how well hybrid models generalize to extreme floods outside of the range of training data, and whether optimizing models for extreme events jeopardize spatial generalizability and the physical significance of internal variables. Here we evaluated multiple versions of a differentiable model (δHBV1.1p) for predicting unseen extreme events, and benchmarked them against the widely applied long short-term memory (LSTM) model on the CAMELS dataset. We find that both LSTM and δHBV models performed well, and δHBV1.1p outperformed LSTM for events with a return period of 5 years or more. This advantage was more pronounced as the return period increased (0.06 higher median Nash-Sutcliffe efficiency and lower peak flow errors for 80% of the 50-year or rarer events). Loss functions can have a larger impact on δHBV1.1p than on LSTM, and using the proper loss can lead to δHBV models that further surpass LSTM in different performance aspects. Furthermore, allowing more dynamic parameters improved the extreme metrics, had no negative impact on spatial generalization, and exerted a minimal influence on the untrained variables. We hypothesize that δHBV’s mass balance and first-order exchange terms help to constrain and inform its responses to mitigate the underestimation of peaks compared to LSTM. We conclude that adopting interpretable structural priors can improve generalizability to unseen cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».