Page 125 - 2025年第56卷第11期

ences，2023，27（12）：2357-2373.
［ 11］ FENG D， BECK H， DE BRUIJN J， et al. Deep dive into global hydrologic simulations： Harnessing the power of
deep learning and physics-informed differentiable models （δHBV-globe1. 0-hydroDL）［J］ Geoscientific Model
.
Development Discussions，2023，2023：1-23.
［ 12］ LI B，SUN T，TIAN F Q，et al. Enhancing process-based hydrological models with embedded neural networks：A
.
hybrid approach［J］ Journal of Hydrology，2023，625：130107.
［ 13］ WANG C，JIANG S，ZHENG Y，et al. Distributed hydrological modeling with physics-encoded deep learning：
A general framework and its application in the amazon［J］ Water Resources Research， 2024， 60（4）：
.
e2023WR036170.
［ 14］ ZHONG L， LEI H， YANG J. Development of a distributed physics-informed deep learning hydrological model for
data-scarce regions［J］ Water Resources Research，2024，60（6）：e2023WR036333.
.
［ 15］ ZHONG L， LEI H， LI Z， et al. Advancing streamflow prediction in data-scarce regions through vegetation-
constrained distributed hybrid ecohydrological models［J］ Journal of Hydrology，2024，645：132165.
.
［ 16］ LI B， SUN T， TIAN F， et al. Hybrid hydrological modeling for large alpine basins： a semi-distributed approach
［J］ Hydrology and Earth System Sciences，2024，28（20）：4521-4538.
.
［ 17］ SONG Y， BINDAS T， SHEN C， et al. High-resolution national-scale water modeling is enhanced by multiscale
differentiable physics-informed machine learning［J］ Water Resources Research，2024，61：e2024WR038928.
.
［ 18］ BINDAS T， TSAI W-P， LIU J， et al. Improving river routing using a differentiable muskingum-cunge model and
physics-informed machine learning［J］ Water Resources Research，2024，60（1）：e2023WR035337.
.
［ 19］ FENTON J. Convolution， deconvolution， the unit hydrograph and flood routing ［J］ Journal of Hydrology， 2024，
.
634：131034.
［ 20］ 江善虎，任立良，雍斌，等 . TRMM 卫星降水数据在洣水流域径流模拟中的应用［J］ 水科学进展，2014，25
.
（5）：641-649.
.
［ 21］ 陆旻皎 . 新安江模型研究的回顾和展望［J］ 水利学报，2021，52（4）：432-441.
［ 22］ JIANG S，SWEET L-B，BLOUGOURAS G，et al. How interpretable machine learning can benefit process under‐
.
standing in the geosciences［J］ Earth′s Future，2024，12（7）：e2024EF004540.
［ 23］ XU Y， LIN K， HU C， et al. Interpretable machine learning on large samples for supporting runoff estimation in
.
ungauged basins［J］ Journal of Hydrology，2024，639：131598.
.
［ 24］ NASH J，SUTCLIFFE J V. River flow forecasting through conceptual models part I — A discussion of principles［J］
Journal of Hydrology，1970，10（3）：282-290.
［ 25］ GUPTA H，KLING H，YILMAZ K，et al. Decomposition of the mean squared error and NSE performance criteria：
Implications for improving hydrological modelling［J］ Journal of Hydrology，2009，377（1/2）：80-91.
.
.
［ 26］ SHANGGUAN W， DAI Y， DUAN Q， et al. A global soil data set for earth system modeling［J］ Journal of
Advances in Modeling Earth Systems，2014，6（1）：249-263.

［ 27］ LIANG S，ZHAO X，LIU S，et al. A long-term Global Land Surface Satellite （GLASS）data-set for environmental
studies［J］ International Journal of Digital Earth，2013，6（S1）：5-33.
.
［ 28］ 杜若愚，姚成，刘玉环，等 . 基于蓄满超渗时空动态组合的网格新安江模型［J］ 河海大学学报（自然科学
.
版），2022，50（6）：25-32，122.
.
［ 29］ 陈泽鑫，赵铜铁钢 . 基于可微参数学习的积融雪新安江模型［J］ 水科学进展，2025，36（2）：204-216.
［ 30］ THORARINSDOTTIR T，HELLTON K，STEINBAKK G，et al. Bayesian regional flood frequency analysis for large
catchments［J］ Water Resources Research，2018，54（9）：6929-6947.
.
［ 31］ REGGIANI P，RENNER M，WEERTS A，et al. Uncertainty assessment via Bayesian revision of ensemble stream‐
flow predictions in the operational river Rhine forecasting system［J］ Water Resources Research， 2009， 45（2）：
.
W02428.

（下转第 1528 页）

— 1516 —