径流预报不再只追精度：五个储水状态守住水量守恒，干旱流域也能报出退水

径流预报模型开始把水量守恒和可解释状态一起当作目标，而不只是拟合流量曲线。 此前的数据驱动模型大多难以解释，也没有显式强制物理守恒律。 在覆盖融雪主导、近期降雨、历史降雨和干旱四类气候区的50个CAMELS流域上，GCHM复现了径流动态，包括干旱流域。

模型用五个储水状态分别代表冠层截留、积雪、土壤水、地下水和河道产流，降水在这些状态之间按闸门分配。 闸门受约束，控制降水分配、蒸散、下渗、渗漏、径流和基流，同时学习依赖上下文的过程关系。 消融实验显示，简化结构在湿润条件下可能表现尚可，但在干旱期难以刻画流量持续性和退水过程，此时地下水储水维持低流量。

学习到的闸门恢复了融雪、径流、渗漏和蒸散之间水文上合理的关系。 评估使用Jawad-Kling-Gupta效率指标，该指标同时考虑平稳和非平稳水文行为。 模型以NOAA AORC气象强迫和遥感植被与地表数据驱动，并与消融变体和循环神经网络基准比较。

面向关注水文建模与可解释机器学习的研究人员和工程师，评估范围是50个CAMELS流域，覆盖融雪主导、近期降雨、历史降雨和干旱四类气候区，输入为NOAA AORC气象强迫与遥感植被和地表数据。材料把该结构定位为水文建模与反事实分析的基础。

材料称GCHM在多种水文气候区复现径流动态并保持可解释状态与通量，同时指出简化结构在湿润条件下可能表现尚可、在干旱期难以刻画流量持续性和退水。这些结论基于摘要级信息，具体指标数值和逐流域表现未在材料中给出。