尽管深度学习 (DL) 模型，尤其是长短期记忆 (LSTM)，在降雨径流模拟中表现出比基于过程的模型更高的准确性，但基于过程的模型的预测比 DL 模型更加物理化。主要原因是深度学习模型除了拟合能力之外，几乎没有像基于过程的模型那样的过程理解能力。在本研究中，我们在统一的深度学习架构下开发了流程驱动的深度学习模型，以提高深度学习模型的流程意识。为了实现该模型，概念水文模型（EXP-HYDRO）被植入循环神经网络（RNN）单元作为过程驱动程序，用于提供与径流过程相关的多子过程变量，以及实体感知LSTM（ EA-LSTM）单元被合并为后处理器层，从而形成过程驱动的 RNN-EA-LSTM（PRNN-EA-LSTM）。在流程驱动程序的帮助下，PRNN-EA-LSTM在大样本研究数据集的531个流域上的模型性能比纯DL模型更稳健，并且比仅使用EXP-HYDRO更好作为 EA-LSTM（即 EXP-HYDRO-EA-LSTM）的输入。具体来说，PRNN-EA-LSTM 在局部和区域模拟中的中值 Nash-Sutcliffe 效率（NSE）比 LSTM 高 0.03 和 0.02，比 EXP-HYDRO-EA-LSTM 高 0.01。此外，PRNN-EA-LSTM 显着增强了低流量模拟并减少了负 NSE 的流域数量。这项研究表明，基于过程的模型可以帮助深度学习模型更好地表示统一架构下的降雨径流关系。 因此，将基于流程的模型的适应性集成到深度学习架构中预计将增强深度学习模型的流程理解能力。



"点击查看英文标题和摘要"