Интеграция многозадачного обучения с дифференцируемой физически ограниченной схемой для гидрологического прогнозирования

Почему более точные водные прогнозы важны

Фермеры, градостроители и службы по управлению бедствиями зависят от знаний о том, как вода перемещается в почве и возвращается в атмосферу. Тем не менее предсказание ключевых элементов этой системы — например, того, насколько влажна почва на разных глубинах и как быстро вода испаряется — по-прежнему удивительно сложно. Традиционные физические модели испытывают трудности с хаотичной сложностью реальных ландшафтов, тогда как современные методы искусственного интеллекта могут быть точными, но часто пренебрегают базовыми законами природы. В этом исследовании предлагается новый способ объединить оба подхода, с целью получить гидрологические прогнозы, которые будут не только точными, но и физически достоверными.

Связывание нескольких водных сигналов одновременно

Большинство систем глубокого обучения в гидрологии обучаются предсказывать только одну величину — например, либо влажность почвы, либо эвапотранспирацию. В реальности эти переменные тесно взаимосвязаны: количество воды в почве влияет на то, сколько может испариться, а испарение, в свою очередь, меняет влажность почвы. Авторы создают модель многозадачного обучения, которая одновременно предсказывает несколько связанных величин: влажность почвы в трёх слоях и эвапотранспирацию. Модель использует рекуррентную нейронную сеть (LSTM), которая обрабатывает год ежедневных метеорологических данных — таких как осадки, температура, солнечная радиация и ветер — вместе с информацией о местных почвах и растительности. Общая ядровая сеть усваивает общие закономерности, тогда как несколько более узких выходных ветвей специализируются на каждой переменной.

Обучение модели соблюдению водного баланса

Чтобы выйти за рамки чисто дата‑ориентированного подхода, исследователи внедряют простое, но мощное физическое правило: водный баланс. За данный период приходящая вода от осадков должна быть объяснена тем, что уходит в виде стока и эвапотранспирации, плюс изменениями запасённой воды, такими как влажность почвы, и другими мелкими процессами. Вместо того чтобы рассматривать это уравнение как внешний контроль, они встраивают его непосредственно в процесс обучения модели. Предсказания нейронной сети для влажности почвы и эвапотранспирации штрафуются, когда они нарушают водный баланс, подталкивая систему к решениям, которые в целом сохраняют количество воды.

Позволяя сети изучать недостающие компоненты

Реальные ландшафты включают множество путей для воды, которые трудно точно описать: таяние снега, обмены с грунтовыми водами и вода, перехватываемая растительностью и постройками. Эти процессы варьируются от места к месту и неудобны для кодирования фиксированными формулами. Авторы решают эту проблему, вставляя вторую нейронную сеть прямо в уравнение водного баланса, чтобы представить «остаточный» член — труднопредсказуемые компоненты. Эта встроенная сеть получает те же метеорологические и поверхностные данные и обучается, без прямого надзора, оценивать недостающие процессы так, чтобы общий водный баланс сходился. Поскольку все части системы дифференцируемы, основная предсказательная сеть и эта остаточная сеть обучаются совместно в единой end-to-end схеме.

Тестирование эффективности по всему миру

Команда оценивает свой метод на наборе данных LandBench 1.0, который объединяет десятилетия глобальной информации о погоде и поверхности земли с дневным разрешением. Сначала они сравнивают многозадачную модель с четырьмя отдельными одноцелевыми сетями. Совместное предсказание нескольких переменных оказывается полезным: прогнозы влажности почвы улучшаются как для поверхностных, так и для глубинных слоёв, а эвапотранспирация становится более последовательной по показателям воспроизведения изменчивости и смещения. Далее они тестируют три версии многозадачной схемы: без физических ограничений, с простым штрафом на основе фиксированной формулы водного баланса и с их новой дифференцируемой физически-ограниченной схемой. Простой штраф часто ухудшает результаты, показывая, что жёсткая, но несовершенная физика может ввести обучение в заблуждение. Напротив, дифференцируемая схема обычно даёт лучшие показатели для влажности почвы, особенно в глубоких слоях, и обеспечивает умеренный прирост для эвапотранспирации.

Польза для сухих регионов и редких событий

Ключевое преимущество новой схемы проявляется при ограниченности данных или экстремальных условиях. Когда авторы значительно сокращают объём тренировочных данных, предсказания неконтролируемой модели становятся разбросанными и смещёнными, тогда как физически ограниченная версия остаётся ближе к реальности, особенно для влажности почвы на всех глубинах. Подход также улучшает результаты при очень низких значениях влажности почвы и эвапотранспирации — условиях, связанных с засухой. В засушливых регионах, таких как Северная Африка и Ближний Восток, модель лучше отражает, как испарение ограничивается дефицитом почвенной воды — поведение, которое чисто статистические модели часто упускают. Высокие экстремумы эвапотранспирации, управляемые энергетическими факторами, остаются сложной задачей, что подчёркивает необходимость включения уравнений баланса энергии в будущих работах.

Что это значит для будущего водного прогнозирования

Для неспециалистов главный вывод таков: авторы создали систему прогноза, которая учится на больших объёмах данных, но при этом «помнит», что вода не может появляться или исчезать без причины. Связывая многовыходную нейронную сеть напрямую с водным балансом и позволяя ей изучать неясные, трудно моделируемые части гидрологического цикла, они добиваются более точных и устойчивых предсказаний для разных климатов, особенно когда наблюдений мало или условия необычны. Такой дифференцируемый, физически-осведомлённый подход представляет собой перспективный путь к созданию гидрологических инструментов, которым учёные, руководители и общественность смогут доверять, ожидая разумного поведения даже в ситуациях, отличных от прошлого.

Цитирование: Yan, Y., Yu, Z., Zhu, J. et al. Integrating multi-task learning with a differentiable physics constrained framework for hydrological forecasting. Sci Rep 16, 13824 (2026). https://doi.org/10.1038/s41598-026-41277-w

Ключевые слова: гидрологическое прогнозирование, влажность почвы, эвапотранспирация, физически-информированный ИИ, многозадачное обучение