文献阅读

题目：Improvement of streamflow simulation by combining physically hydrological model with deep learning methods in data-scarce glacial river basin
https://www.sciencedirect.com/science/article/pii/S0022169423009320
背景：分布式水文模型的性能通常受到对所指物理过程的不完整描述以及输入数据和参数化引起的不确定性的限制（Chen 等人，2016 年，Cho 和 Kim，2022 年).因此，应考虑其他方法，以便在数据稀缺的冰川河流域中，在气候变化下（例如，每月和每年）对不同时间尺度（例如，每月和每年）的溪流进行更准确和合理的模拟。
论文主要内容：提出了一种混合模型，将SWAT +模型与门控循环单元神经网络（GRU）连接起来，用于数据稀缺的冰川河流域的溪流模拟。

研究了不同的数据集成（DI）方案，以丰富输入信息并增强模型稳定性。

所提出的具有最佳DI方案组合的模型表现出最强大的预测性能，特别是对于传统GSWAT +模型无法捕获的低流量和高流量。将考虑冰川水文过程（GSWAT+）的SWAT+模型与门控循环单元（GRU）神经网络联系起来，以改进模型模拟。

在特征和目标序列上使用合适的数据集成（DI）方案可以大大有助于增强月度和年度流流序列的模型稳定性和代表性。具体而言，将集成经验信号分解（EEMD）和自适应噪声完全EEMD（CEEMDAN）等一阶微分法和分解方法引入特征序列和目标序列，丰富了可学习的辅助信息，从而增强了所提模型的预测性能。

研究试图将与雪和冰川相关的水文过程纳入水文模型，以提高建模性能，最近的研究试图将 ML/DL 技术与基于物理的水文模型相结合，以减少水文模型的不确定性。气候和水文输入数据的准确性直接影响水文模型和 ML/DL 模型的模拟结果。
SWAT+模型与门控循环单元（GRU）模型：
由于测量的冰川质量平衡数据、气象数据和溪流数据不足可能导致模拟中出现意想不到的不确定性，GSWAT+产生的偏置误差很难通过常规物理模型消除，如之前的研究所述，可以使用基于 DL 的模型模拟和预测偏差误差序列，提出了一种GRU-GSWAT+模型，以最小化冰川河流域溪流模拟的不确定性。

使用GSWAT+的观测和模拟月流量数据系列之间的差异被认为是GRU网络的目标，这是由于滞后的气候数据和目标序列本身所迫使的。对特征序列和目标序列进行分解和标准化，对涉及的超参数进行较好的优化，得到预测的偏置误差序列。将预测的偏置误差序列和利用GSWAT+模型预测的月流量相加，得到偏差校正的流序列。

还使用了分解和滞后观察这两种数据集成方法，与不同模型组合对比试验。

文章最后提到由于观测有限，使用GRU模型改进的偏差误差仍然缺乏验证和良好的解释，可以使用SHAP等可解释性方法探索物理水文过程。

GAN学习

TimeGAN代码，每个函数实现的功能：

---

总结

本周阅读文献，参考阅读的这篇文献将SWAT与GAN相结合，在模型设计这里，原论文是考虑使用DL 模型模拟和预测偏差误差序列，近而得到校正误差序列，用校正误差序列作为部分输入，预测最终结果。参考这篇论文的思路，将SWAT与GAN相结合应用于，得到的修正误差序列作为部分输入进行水质预测。