天津市水資源與水環境重點實驗室郝永紅教授課題組在Journal of Hydrology發表論文“A visualizable deep learning model for multiscale precipitation-driven karst spring discharge”。該項研究由天津師范大學、內蒙古農業大學、美國南卡羅來納大學、中國農業科學院草原研究所和美國亞利桑那大學的科研人員共同合作完成。
巖溶含水層中的地下水為全球 25% 的人口提供飲用水。然而，巖溶地形的復雜性和巖溶含水層的高度非均質性阻礙了人們對其水文過程的深入理解。為此，該研究提出了一種多尺度 Transformer（TSF）與方向約束圖神經網絡（GNN）時空耦合的深度學習模型，以模擬和預測巖溶泉補給-排泄的水文過程（圖1）。
圖1.耦合模型結構
將該模型應用于中國北方的神頭泉，研究結果表明TSF 中注意力權重的可視化可揭示泉水排泄對降水的多尺度時間依賴性，并通過連續傳輸機制表現出 12 個月的滯后效應，同時傳輸信息的記憶效應隨時間衰減，該模型類似于隨機水文地質學中的線性協克里金（cokriging），其利用時空關系將時空變化的降水與觀測點的泉水排泄進行連接，并預測其未來排泄量。然而，與協克里金不同，該模型能夠通過迭代校正協克里金權重，最小化測得的降水時間序列與泉水排泄之間的差異，從而有效地刻畫降水與泉水排泄之間的非線性關系。此外，該研究發現年際和季節尺度上的片區內部（intra-patch）注意力權重呈正態分布，且泉水排泄的變率在年度尺度上主要集中在上半年。在季節尺度上，降水驅動的泉水排泄變率在夏季最為顯著，而在冬季最小。另一方面，基于方向約束的圖神經網絡邊權重的可視化突出了泉水排泄的空間依賴性，清晰刻畫了地表水匯流與地下水擴散過程（圖2）。此外，將基于地下水流場的先驗地理信息融入圖結構能夠獲得最優預測結果。
總體而言，本研究為巖溶泉排泄的時空分析與預測提供了一種新工具。基于 TSF 的可視化分析深入揭示了多尺度 Transformer 網絡的內部運行機制以及巖溶水文過程的空間驅動機制，強調了水文過程時空關系的重要性，有助于加深對巖溶水文系統的理解。
圖2.1泉域集水區站匯流過程圖
天津市水資源與水環境重點實驗室郝永紅教授為該文章的通訊作者，我校博士研究生郝慧清為第一作者。該項目得到了國家自然科學基金面上項目（U2244214, 42072277, 42307088, 41272245, 40972165, 42307088, and 40572150）和美國國家科學基金會（000316729）的支持。
論文鏈接：https://doi.org/10.1016/j.jhydrol.2025.133168
科研進展