DOI: https://doi.org/10.5194/gmd-19-1055-2026
تاريخ النشر: 2026-02-02
المؤلف: Ngo Nghi Truyen Huynh وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم هذه الدراسة إطار عمل هجين جديد يجمع بين الفيزياء والذكاء الاصطناعي (AI) يدمج الشبكات العصبية (NNs) في نموذج هيدرولوجي قائم على العمليات باستخدام المعادلات التفاضلية العالمية (UDEs). يهدف الإطار إلى معالجة عدم اليقين الهيكلي والتحديات ذات الصلة بالمقياس التي تتسم بها النماذج الهيدرولوجية التقليدية. من خلال تضمين شبكة عصبية تعتمد على الحالة لتحسين تدفقات المياه الداخلية واستخدام توجيه الموجات الحركية، يحقق النموذج قدرات تنبؤية محسنة للأحداث المتطرفة. يسمح التنفيذ ضمن منصة smash بتقييم شامل على دقة مكانية كيلو مترية ودقة زمنية ساعة، مما يظهر أداءً قويًا في سيناريوهات المعايرة والتحقق.
تستكشف الدراسة أيضًا دمج الشبكات العصبية التلافيفية (CNNs) لرسم الخرائط الإقليمية، مما يلتقط الاعتماد المكاني ويحسن سلاسة خرائط المعلمات المقدرة. تشير النتائج إلى أن زيادة تعقيد النموذج، بما في ذلك الانتقال من النماذج الكلاسيكية إلى هياكل UDE، تؤدي إلى تحسين درجات المعايرة. يؤثر تأثير الهجين لهياكل UDE على ديناميات الحالة وتدفق الجريان، مما ينتج عنه محاكاة أكثر دقة لتدفق الأنهار خلال الفيضانات. ستقوم الأعمال المستقبلية بمقارنة هذه الطرق الهجينة ضد النماذج الكلاسيكية وطرق التعلم العميق النقية، بهدف قياس فوائد دمج القيود الفيزيائية مع التعلم القائم على البيانات. تسعى هذه الدراسة في النهاية إلى تعزيز قابلية تفسير النماذج الهيدرولوجية وقوتها مع الاستفادة من الذكاء الاصطناعي لإدارة مجموعات بيانات كبيرة لنمذجة الفيضانات.
مقدمة
تناقش مقدمة ورقة البحث تطور نمذجة الهيدرولوجيا، لا سيما في سياق دمج تقنيات الذكاء الاصطناعي (AI) لتحسين توقعات الفيضانات. لقد تم تكملة الطرق التقليدية، التي تتراوح بين المعادلات الخطية البسيطة إلى النماذج الإحصائية المعقدة، بنماذج قائمة على الفيزياء التي، على الرغم من كونها قوية نظريًا، غالبًا ما تعتمد على افتراضات مبسطة. وقد أدى ذلك إلى استكشاف “استمرارية الدقة-التعقيد” في نمذجة الهيدرولوجيا، حيث تعمل النماذج المفاهيمية كحل وسط بين الأساليب التجريبية والأساليب القائمة على الفيزياء. ومع ذلك، تواجه هذه النماذج قيودًا مثل القوانين ذات الصلة بالمقياس وتحديات تقدير المعلمات، مما يدفع نحو التحول إلى منهجيات قائمة على البيانات.
تحدد الورقة نهجين رئيسيين لدمج التعلم الآلي (ML) والتعلم العميق (DL) في نمذجة الهيدرولوجيا. الأول هو نموذج أسود بالكامل قائم على البيانات، يتمثل في شبكات الذاكرة الطويلة القصيرة (LSTM)، التي أظهرت أداءً رائدًا في التنبؤات الهيدرولوجية. النهج الثاني هو النمذجة الهجينة، التي تدمج الشبكات العصبية في النماذج القائمة على العمليات مع الالتزام بالقيود الفيزيائية. يهدف هذا الأسلوب الهجين إلى دمج نقاط القوة لكل من ML والنمذجة التقليدية، على الرغم من أنه يقدم أيضًا تحديات، بما في ذلك الحفاظ على الاتساق الفيزيائي وإدارة التعقيدات في ربط النماذج. بشكل عام، بينما أظهرت نماذج ML النقية والهجينة نجاحًا، إلا أنها ليست خالية من القيود، لا سيما في المناطق التي تعاني من نقص البيانات وتحت ظروف هيدرولوجية متطرفة.
طرق
في هذه الدراسة، يبحث المؤلفون في نمذجة الهيدرولوجيا ضمن حوض نهر أود في جنوب فرنسا، باستخدام دقة مكانية تبلغ 1 كم وخطوة زمنية ساعة. تمتد الدراسة على فترة تسع سنوات من أغسطس 2014 إلى يوليو 2023، مقسمة إلى فترتين فرعيتين: المعايرة (P1: 2015-2019) والتحقق (P2: 2019-2023). تشمل منطقة الدراسة حوالي 10,400 كم²، وتتميز بـ 25 حوضًا مائيًا مع 12 مقياسًا في الاتجاه العلوي و13 في الاتجاه السفلي. يتم إجراء المعايرة باستخدام مقاييس الاتجاه العلوي، بينما يتم تقييم أداء الإقليمية من خلال نقل المعلمات إلى مقاييس الاتجاه السفلي، مما يقدم تحديًا أكثر تعقيدًا.
يتم تقييم النماذج بناءً على معيارين رئيسيين: مرونة هيكل النموذج وقدرة الإقليمية. يتم تحديد مرونة هيكل النموذج من خلال قدرة النماذج على إنتاج ديناميات تدفق المياه القابلة للتفسير، سواء مع أو بدون شبكة المعلمات العملية $\phi_{\text{flux}}$. يتم تقييم قدرة الإقليمية من خلال أداء الشبكات العصبية ($\phi_{\text{regio}}$)، التي يمكن أن تكون إما متعددة الطبقات (MLP) أو شبكات عصبية تلافيفية (CNN)، في إقليمية المعلمات المفاهيمية باستخدام أوصاف فيزيائية. تستخدم الدراسة مجموعة من سبعة أوصاف مكانية بدقة 0.01° في إسقاط WGS 84، وتفاصيل تكاليف الحوسبة للنماذج موجودة في ملحق.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطوير نهج هجين موزع قائم على الفيزياء-الذكاء الاصطناعي لنمذجة الهيدرولوجيا عالية الدقة، وهو أمر ضروري لمحاكاة دقيقة للأحداث الفيضانية المتطرفة. يتناول المؤلفون تحديات معايرة النموذج في فضاءات المعلمات عالية الأبعاد، لا سيما قضايا الإفراط في المعلمات بسبب بيانات المعايرة المحدودة. يقترحون دمج الخرائط القابلة للتعلم بين الأوصاف الفيزيائية والمعلمات المفاهيمية ضمن إطار عمل دمج البيانات المتغير (VDA)، مما يعزز قوة النموذج ضد عدم اليقين في المدخلات والهياكل. تؤكد الورقة على إمكانيات نماذج الهيدرولوجيا المستمرة في فضاء الحالة، التي تستخدم حلول عددية ضمنية للحفاظ على الاستقرار العددي والاتساق الفيزيائي، على عكس المخططات التقليدية الصريحة التي قد تؤدي إلى محاكاة ضعيفة.
يتضمن الإطار المقترح الشبكات العصبية المعتمدة على الحالة (NNs) في المعادلات التفاضلية العالمية (UDEs)، مما يسمح بتحسين تدفقات المياه الداخلية وتمثيل آثار الذاكرة الزمنية. يهدف هذا الدمج إلى سد الفجوة بين مرونة التعلم الآلي وقابلية تفسير النموذج الفيزيائي، مما يسهل تحسين تقدير المعلمات ونمذجة الفيضانات. يقدم المؤلفون نسخة محدثة من منصة smash، التي تتضمن مجموعة متنوعة من حلول الهيدرولوجيا الهجينة القائمة على الفيزياء-الذكاء الاصطناعي، مما يعزز قدرات الهيدرولوجيا التشغيلية. تحدد الدراسة نهجًا عدديًا صارمًا لحل UDEs باستخدام مخططات ضمنية، موضحة حساب مصفوفات جاكوب اللازمة للتحسين، وتقدم منهجية تدريب شاملة للشبكات العصبية المعنية في عملية النمذجة. بشكل عام، تسهم هذه الأعمال بشكل كبير في تقدم نمذجة الهيدرولوجيا من خلال الاستفادة من تقنيات الذكاء الاصطناعي مع الالتزام بالقيود الفيزيائية.
DOI: https://doi.org/10.5194/gmd-19-1055-2026
Publication Date: 2026-02-02
Author(s): Ngo Nghi Truyen Huynh et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This research presents a novel hybrid physics-artificial intelligence (AI) framework that integrates neural networks (NNs) into a process-based hydrological model using universal differential equations (UDEs). The framework aims to address structural uncertainties and scale-relevant challenges inherent in traditional conceptual hydrological models. By embedding a state-dependent NN to refine internal water fluxes and employing kinematic wave routing, the model achieves enhanced predictive capabilities for extreme events. The implementation within the smash platform allows for comprehensive evaluation at kilometric spatial and hourly temporal resolutions, demonstrating strong performance in calibration and validation scenarios.
The study further explores the incorporation of convolutional NNs (CNNs) for regionalization mapping, which captures spatial dependencies and improves the smoothness of estimated parameter maps. Results indicate that increased model complexity, including the transition from classical models to UDE structures, leads to improved calibration scores. The hybridization effect of the UDE structure modifies state dynamics and runoff flow, yielding more accurate streamflow simulations during floods. Future work will benchmark these hybrid methods against classical models and pure deep learning approaches, aiming to quantify the benefits of integrating physical constraints with data-driven learning. This research ultimately seeks to enhance the interpretability and robustness of hydrological models while leveraging AI to manage extensive datasets for flood modeling.
Introduction
The introduction of the research paper discusses the evolution of hydrological modeling, particularly in the context of integrating artificial intelligence (AI) techniques for improved flood forecasting. Traditional methods, which range from simple linear equations to complex statistical models, have been complemented by physically-based models that, while theoretically robust, often rely on simplifying assumptions. This has led to the exploration of a “resolution-complexity continuum” in hydrological modeling, where conceptual models serve as a compromise between empirical and physically-based approaches. However, these models face limitations such as scale-relevant laws and parameter estimation challenges, prompting a shift towards data-driven methodologies.
The paper identifies two primary approaches for incorporating machine learning (ML) and deep learning (DL) into hydrological modeling. The first is a fully data-driven black-box model, exemplified by long short-term memory (LSTM) networks, which have shown state-of-the-art performance in hydrological predictions. The second approach is hybrid modeling, which integrates neural networks into process-based models while adhering to physical constraints. This hybrid method aims to combine the strengths of both ML and traditional modeling, although it also presents challenges, including maintaining physical consistency and managing complexities in model coupling. Overall, while both pure and hybrid ML models have demonstrated success, they are not without limitations, particularly in data-scarce regions and under extreme hydrological conditions.
Methods
In this study, the authors investigate hydrological modeling within the Aude River basin in southern France, utilizing a spatial resolution of 1 km and an hourly time step. The research spans a nine-year period from August 2014 to July 2023, divided into two sub-periods: calibration (P1: 2015-2019) and validation (P2: 2019-2023). The study area encompasses approximately 10,400 km², featuring 25 catchments with 12 upstream and 13 downstream gauges. Calibration is conducted using upstream gauges, while the regionalization performance is evaluated by transferring parameters to downstream gauges, presenting a more complex challenge.
The models are assessed based on two primary criteria: model structure flexibility and regionalization ability. Model structure flexibility is determined by the models’ capacity to generate interpretable water flux dynamics, both with and without the process-parameterization network $\phi_{\text{flux}}$. Regionalization ability is evaluated through the performance of neural networks ($\phi_{\text{regio}}$), which can be either multi-layer perceptrons (MLP) or convolutional neural networks (CNN), in regionalizing conceptual parameters using physical descriptors. The study employs a set of seven spatial descriptors with a resolution of 0.01° in the WGS 84 projection, and the computational costs of the models are detailed in an appendix.
Discussion
The discussion section of the research paper highlights the development of a distributed hybrid physics-AI approach for high-resolution hydrological modeling, which is essential for accurately simulating extreme flood events. The authors address the challenges of model calibration in high-dimensional parameter spaces, particularly the issues of overparameterization due to limited calibration data. They propose integrating learnable mappings between physical descriptors and conceptual parameters within a variational data assimilation (VDA) framework, thereby enhancing model robustness against input and structural uncertainties. The paper emphasizes the potential of continuous state-space hydrological models, which utilize implicit numerical solvers to maintain numerical stability and physical consistency, as opposed to traditional explicit schemes that may yield poor simulations.
The proposed framework incorporates state-dependent neural networks (NNs) into universal differential equations (UDEs), allowing for the refinement of internal water fluxes and the representation of temporal memory effects. This integration aims to bridge the gap between machine learning flexibility and physical model interpretability, facilitating improved parameter estimation and flood modeling. The authors introduce an upgraded version of the smash platform, which includes various hybrid physics-AI hydrological solvers, enhancing operational hydrology capabilities. The study outlines a rigorous numerical approach for solving UDEs with implicit schemes, detailing the computation of Jacobian matrices necessary for optimization, and presents a comprehensive training methodology for the NNs involved in the modeling process. Overall, this work contributes significantly to advancing hydrological modeling by leveraging AI techniques while adhering to physical constraints.