标题Physics-informed machine learning with embedded sediment rating curve constraints for high-fidelity multi-lead-time forecast of suspended sediment concentration背景作者Yousef Hemmatzadeh , Sadra Shadkani期刊来源Journal of hydrologyDOI10.1016/j.jhydrol.2026.135287摘要悬沙浓度(SSC)预测受到水文变异性和多尺度相互作用驱动的非线性、非平稳动力学的阻碍。传统模型往往无法捕捉到这些复杂性因此需要自适应的、了解物理的方法。本研究开发了一个基于物理的机器学习框架该框架将经验沉积物评级曲线作为可微正则化项嵌入MLP-SGDXGBoost损失函数中。测试了两种公式:Fern´andez等人(2018)的单态方程和一种新颖的、基于阈值的分曲线。利用密西西比河上游下游切斯特(CH)和底比斯(TH)站1982-2022年的日流量(Q)和SSC数据综合当前Q和三天前SSC和Q采用先进的物理信息极端梯度增强树模型(APhyXGBoost-6)得到R2 0.981 (CH)和0.986 (TH)。R2比常规XGBoost提高15.5-16.1%散射指数降低66%以上。它精确地复制了极端SSC事件和重尾分布保持了长达14天的交货时间。在高流量条件下经验评级曲线失效(NSE −16))APhyXGBoost-6保持了高保真度(R2 0.95)。当实时流量与之前的沉积物记忆相结合时性能达到峰值反映了水力强迫和沉积物可用性的物理耦合。关键是它再现了大洪水期间(2013-2019年)观测到的顺时针迟滞回线预测的迟滞指数值与观测值在平均绝对误差为0.02的范围内匹配。这项工作建立了一个可推广的框架用于将状态感知知识嵌入到数据驱动的模型中推进复杂河流系统的操作SSC预测。研究区域以及数据来源密西西比河是北美第二长的河流系统发源于明尼苏达州北部的伊塔斯卡湖流经美国中部最后流入墨西哥湾。它的主干长度约为3781公里是美洲大陆最广阔的流域之一的重要组成部分。虽然密苏里河的长度超过密西西比河大约160公里但密西西比河-密苏里河的综合系统通常被认为是一个单一的水文实体在全球河流总长度中排名第四。研究区域集中在沿河流中游的两个地理位置优越的水文测量站:伊利诺伊州切斯特(CH)(站代码:07020500;坐标:37◦54′02.7″N89◦49′48.8″W)和伊利诺伊州底比斯(TH)(车站代码:07022000;坐标:37◦13′12.9″N、89◦27′47.4″W)。这两个监测站都提供了1982年至2022年期间m3/s和SSC的日排放量(Q) (mg/L)记录数据来自美国地质调查局(USGS)国家水信息系统。图1显示了美国密西西比河上CH和TH站的位置。由于数据下载流量异常后续模型复现我将用AI构造的模拟数据进行模型复现。算法、为了评估所开发模型的估计性能和泛化能力采用了一个多度量评估框架包括5个完善的统计指标:平方Pearson相关系数(R2)、散点指数(SI)、Nash-Sutcliffe效率(NSE)、Willmott’s Index of Agreement(WI)和相对绝对误差(RAE)。这些指标捕捉了模型行为的不同方面包括方差解释、误差幅度、偏差结构和相对精度。模型复现预测与实际的SSC散点图模型分别为Baseline MLP-SGD。Baseline XGBoost。PhyMLP-SGD。APhyXGBoost-SSC。SSC的残差图如下模型顺序与散点图一致。时间序列图如下蓝色为实际红色为预测。顺序如上一致。误差分布直方图如下顺序如上。后续将会对各个模型进行各个数据上的评估并进行进一步的模型对比。