.png){kind=icon}
返回
From Soil Moisture Spatial Patterns to Catchment Nitrate Dynamics Using Explainable AI
.png){kind=icon}
OA
AI
DOI：10.1029/2025WR040295.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流域湿度及相关的水文连通性决定了硝酸盐的活化、迁移和转化。然而，在如此规模上量化连通性仍然具有挑战性。本研究通过开发一个基于流域径流观测和SMAP-Hydroblocks训练的多分支深度学习框架来应对这一挑战，SMAP-Hydroblocks是一种独特的基于卫星的土壤湿度数据集，分辨率为30米（此处聚合至1公里），覆盖美国。我们假设土壤湿度的空间格局能够指示流域尺度水文连通性与硝酸盐迁移之间的关系，并可用于预测河流中的硝酸盐浓度。我们使用开发的框架，针对具有不同土地利用和浓度-径流量（C-Q）模式的八个流域，同时模拟了日硝酸盐浓度，以检验这一假设。我们的模型在研究流域中满意地再现了硝酸盐动态，Nash-Sutcliffe效率系数的中位数为0.62。土壤湿度空间格局平均解释了32%的模型特征重要性，若不考虑这些格局，模型性能平均下降14%。利用可解释人工智能（XAI），我们确认模型决策与具有不同C-Q行为的流域中的已知物理过程一致。注意力图识别出近河流热点区域作为硝酸盐输出的最高预测能力区域，表明土壤湿度格局与流域尺度水文连通性之间可能存在联系。这项概念验证研究展示了XAI与高分辨率遥感产品相结合在改进硝酸盐预测和绘制硝酸盐输出关键区域方面的潜力。
Keyword:
nitrate modeling
explainable AI (XAI) in hydrology
soil moisture dynamics
hydrological connectivity
catchment-scale water quality
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5
论文数:
884
被引数:
6.9W
机构
引用论文
Stream Nitrate Dynamics Driven Primarily by Discharge and Watershed Physical and Soil Characteristics at Intensively Monitored Sites: Insights From Deep Learning由流量和流域物理及土壤特性主导的监测站点硝酸盐动态：深度学习的见解OAAI
OAAI分享收藏Modelling and managing critical source areas of diffuse pollution from agricultural land using flow connectivity simulation.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏
查看更多内容