本文旨在提升深度学习模型的日径流预测精度，增强模型的可信度，通过引入水文模型的物理过程作为深度学习模型的输入。研究将新安江模型不同模块的输出数据作为额外特征输入，分别应用于GRU、GRU-Seq2seq-Attention两种深度学习模型中，分析不同输入特征和模型结构对径流预测结果的影响，并采用积分梯度法对深度学习模型进行可解释性分析。结果表明，引入不同输入特征显著提升了模型径流预测的精度，其中G

本文主要研究深度学习在水文要素模拟与预测方面的应用效果，通过构建Conv-TALSTM模型和Seq2Seq模型，分别对径流和水位进行模拟与预测，并与传统物理模型和机器学习模型进行对比分析。

动态地球物理现象建模是地球与环境研究的核心。在人工智能（AI）全球普及且地球大数据涌现的背景下，主要依赖物理表征的地球科学界可能需要更深入地采用 AI 工具。物理 - 人工智能混合方法的新视角是一个宏伟愿景，但此类方法的实现仍是地球科学领域的开放性问题。本研究提出了一种提升 AI 地球科学认知的通用方法，将时间动态地球科学模型等物理方法作为特殊的循环神经层融入深度学习架构。

基于水文相似性的流域分类有助于理解水文行为的控制因素。然而，由于缺乏长期且广泛分布的流量数据，中国陆地流域的水文行为与其影响因素之间的关系尚未明确。因此，本研究旨在通过分类方法识别中国流域水文行为的控制因素。研究基于量化流域水文行为的流量特征，采用模糊 C 均值聚类（FCM）方法将有观测数据的流域划分为若干类别；利用分类回归树（CART）从聚类结果中学习规律，进而获得无观测流量数据流域的类别；

准确的水库出库流量模拟对水资源管理至关重要。然而，传统基于机器学习的模拟方法未充分考虑水库运行的物理约束，可能导致负流量、水位超出水库自身限制等不切实际的问题。本研究利用 Sigmoid 函数将物理约束融入随机森林（RF）模型，构建了用于梯级水库出库流量模拟的物理约束随机森林模型（PC-RF）。采用基于水文年类型的分层抽样策略构建训练集和验证集，以决定系数（R²）和均方根误差（RMSE）作为评价指

本文主要研究深度学习在水文要素模拟与预测方面的应用效果，通过构建Conv-TALSTM模型和Seq2Seq模型，分别对径流和水位进行模拟与预测，并与传统物理模型和机器学习模型进行对比分析。