深度学习使用河流排放来估计流域地下渗透率

地下渗透率是控制流域模型中地下流量对河流流量贡献的关键参数。直接测量流域模型所需的空间范围和分辨率的渗透率既困难又昂贵。因此，研究人员通常通过逆向建模来估计渗透率。与地下水监测数据相比，河流地表流量数据的广泛可用性为综合地表和地下水文模型推断土壤和地质特性提供了新的数据源。

在《地球科学前沿》上发表的一项研究中，来自太平洋西北国家实验室、橡树岭国家实验室和洛斯阿拉莫斯国家实验室的科学家训练了深度神经网络(DNN)，以估计河流排放过程线的地下渗透率。

首先，他们训练DNN绘制土壤和地质层渗透率与从所研究流域的综合地表-地下水文模型获得的模拟河流流量之间的关系.与传统的逆向建模方法相比，DNN产生了更准确的渗透率估计。然后，DNN使用从研究地点观察到的河流排放量来估计真实流域(科罗拉多河源头的岩溪集水区)的渗透率。由DNN估计的具有渗透率的流域模型准确地预测了河流流量。这项研究揭示了新兴深度学习方法通​​过改进参数估计来辅助集成流域建模的价值，这最终将减少预测流域模型的不确定性。

地下渗透率是衡量液体流过地下岩石和土壤的程度的指标。它是决定流域地下流动和输送过程的关键参数。然而，在流域模型所需的规模和分辨率下直接测量渗透率是困难且昂贵的。相比之下，溪流监测数据广泛可用。渗透率和河流流量之间的联系为估算地下渗透率提供了新途径。在这项研究中，科学家们转向了深度学习，一种人工智能。与传统方法相比，深度学习可以更准确地从河流流量数据中估计流域的地下渗透率。这一改进将有助于校准流域模型并减少河流流量可预测性的不确定性。

深度学习方法对真实流域系统的渗透率进行了现实估计。结果在预测和观察到的流量之间有更好的匹配。这项工作表明，深度学习可以成为从间接但相关的观测(例如河流流量)估计流域参数的强大工具。通过成功使用深度学习为了绘制渗透率和河流流量之间的关系，这项工作为改善大型流域的地下特征提供了新的机会。它为帮助开发更通用的策略来校准具有多个参数和数据类型的流域模型铺平了道路。