Streamflow prediction is a long-standing hydrologic problem. Development of models for streamflow prediction often requires incorporation of catchment physical descriptors to characterize the associated complex hydrological processes. Across different scales of catchments, these physical descriptors also allow models to extrapolate hydrologic information from one catchment to others, a process referred to as “regionalization”. Recently, in gauged basin scenarios, deep learning models have been shown to achieve state of the art regionalization performance by building a global hydrologic model. These models predict streamflow given catchment physical descriptors and weather forcing data. However, these physical descriptors are by their nature uncertain, sometimes incomplete, or even unavailable in certain cases, which limits the applicability of this approach. In this paper, we show that by assigning a vector of random values as a surrogate for catchment physical descriptors, we can achieve robust regionalization performance under a gauged prediction scenario. Our results show that the deep learning model using our proposed random vector approach achieves a predictive performance comparable to that of the model using actual physical descriptors. The random vector approach yields robust performance under different data sparsity scenarios and deep learning model selections. Furthermore, based on the use of random vectors, high-dimensional characterization improves regionalization performance in gauged basin scenario when physical descriptors are uncertain, or insufficient.

中文翻译：

---

全球水文深度学习模型中的区域化：从物理描述符到随机向量

流量预测是一个长期存在的水文问题。开发流量预测模型通常需要结合流域物理描述符来表征相关的复杂水文过程。在不同规模的流域中，这些物理描述符还允许模型将水文信息从一个流域外推到其他流域，这一过程称为“区域化”。最近，在测量盆地场景中，深度学习模型已被证明可以通过构建全球水文模型来实现最先进的区域化性能。这些模型在给定集水区物理描述符和天气强迫数据的情况下预测流量。然而，这些物理描述符本质上是不确定的，有时是不完整的，甚至在某些情况下是不可用的，这限制了这种方法的适用性。在本文中，我们表明，通过分配一个随机值向量作为流域物理描述符的替代项，我们可以在衡量的预测场景下实现稳健的区域化性能。我们的结果表明，使用我们提出的随机向量方法的深度学习模型实现了与使用实际物理描述符的模型相当的预测性能。随机向量方法在不同的数据稀疏场景和深度学习模型选择下产生稳健的性能。此外，基于随机向量的使用，当物理描述符不确定或不充分时，高维表征提高了测量盆地情景中的区域化性能。我们表明，通过分配一个随机值向量作为流域物理描述符的替代项，我们可以在衡量的预测场景下实现稳健的区域化性能。我们的结果表明，使用我们提出的随机向量方法的深度学习模型实现了与使用实际物理描述符的模型相当的预测性能。随机向量方法在不同的数据稀疏场景和深度学习模型选择下产生稳健的性能。此外，基于随机向量的使用，当物理描述符不确定或不充分时，高维表征提高了测量盆地情景中的区域化性能。我们表明，通过分配一个随机值向量作为流域物理描述符的替代项，我们可以在衡量的预测场景下实现稳健的区域化性能。我们的结果表明，使用我们提出的随机向量方法的深度学习模型实现了与使用实际物理描述符的模型相当的预测性能。随机向量方法在不同的数据稀疏场景和深度学习模型选择下产生稳健的性能。此外，基于随机向量的使用，当物理描述符不确定或不充分时，高维表征提高了测量盆地情景中的区域化性能。我们的结果表明，使用我们提出的随机向量方法的深度学习模型实现了与使用实际物理描述符的模型相当的预测性能。随机向量方法在不同的数据稀疏场景和深度学习模型选择下产生稳健的性能。此外，基于随机向量的使用，当物理描述符不确定或不充分时，高维表征提高了测量盆地情景中的区域化性能。我们的结果表明，使用我们提出的随机向量方法的深度学习模型实现了与使用实际物理描述符的模型相当的预测性能。随机向量方法在不同的数据稀疏场景和深度学习模型选择下产生稳健的性能。此外，基于随机向量的使用，当物理描述符不确定或不充分时，高维表征提高了测量盆地情景中的区域化性能。