详细内容或原文请订阅后点击阅览
A Hybrid Approach for Revealing Headwater Hydrology
Coordinated work to compile existing data and apply models pairing physical understanding with machine learning could substantially improve streamflow predictions for little-known headwater basins.
来源:Eos杂志地球上的河流，无论规模大小，都起源于小雨、融雪和地下水的源头。这些溪流向下游较大的水道输送营养物质和沉积物，为众多物种提供重要的栖息地，并占全球溪流总长度的 70% 以上。然而它们是河流网络中最不为人所知的组成部分之一。
用于测量水流的仪表不成比例地安装在大型常年河流中，导致水源系统基本上不受监控。
这种知识的缺乏部分源于这样一个事实：用于测量水流的流量计不成比例地安装在大型常年河流中，导致水源系统基本上不受监控。
更好地记录和理解这些系统的行为可以改善对降水模式和融雪时间变化的下游影响的预测，这些影响已经使社区面临前所未有的风险，包括历史性洪水、干旱和结构性破坏。它还可以提高农业规划、生态用水需求评估和下游水质管理的可用水资源估计的准确性。
记录水存在时间并提供流量估计的新型监测方法正在开始填补源头溪流的数据空白。将这些观测结果与新兴的混合建模方法相结合，将基于物理的模型组件与数据驱动的机器学习相结合，可以极大地提高对水源过程的理解和对水源系统中水可用性的精细预测。
直到最近，进展主要受到将分散的观测结果整合在一起以及连接观测和建模研究社区的困难的限制。但新兴工具和协调一致的努力正在帮助克服这些限制。