多年来，北美大草原坑洼区（Prairie Pothole Region）的水文过程一直被认为难以预测。该地区在地形图上常呈现为田野、缓坡与小溪流的组合，但地表密布的湿地与洼地可将降雨和融雪储存数日、数月甚至数年，使得水量并非总是顺畅汇入河道，而是在储存与释放之间切换。

在这一景观中，湿地蓄满后会向邻近洼地溢流，多个洼地可能在短时间内形成连通链条。研究人员指出，同一流域可能在不同时间呈现两种截然不同的状态：前一日仍像“断开”的系统，后一日却表现为快速排水的盆地；溪流流量也可能从接近零迅速跃升至洪峰，预警时间有限。该类“先充满、再溢流、继而连通”的阈值驱动行为，被认为是该地区成为全球最难预测溪流流量区域之一的重要原因。

研究团队在《水资源研究》（Water Resources Research）发表论文，尝试回答一个长期存在的难题：能否构建既遵循关键物理机制、又能推广到缺乏长期流量记录的未测量流域的预测模型。研究指出，在大草原坑洼区，单纯依赖降水输入来推断径流并不可靠；即便两年降水量相近，洼地网络的蓄水状态不同也可能导致径流量显著差异，这种非线性与突发洪水、意外断流及年际波动相关。

论文同时提到，该地区是北美重要农业区域，且已有超过一半湿地被排干用于耕作，削弱了湿地对洪水的缓冲作用。在降水极端事件加剧的背景下，北大平原社区面临更高洪水风险，但多数流域缺乏流量监测站，未测量地区的预测问题长期未得到有效解决。

为应对上述挑战，研究提出将洼地过程从“难以处理的细节”转为模型核心，并避免依赖难以实现的高精度洼地清单与连通制图。具体而言，团队构建了一个物理驱动的深度学习模型，采用可微分框架，将概念性降雨—径流结构与洼地储水模块结合，并通过现代优化方法对整体系统进行训练。研究强调，该模型并非仅拟合统计关系的“黑箱”，而是包含明确的状态与通量，用以表征水的储存与流动，并受水文逻辑约束。

在数据需求方面，研究采用流域尺度的概率方式表示洼地行为，而非要求逐一列出每个洼地及其连通关系。研究人员表示，这一设计考虑到许多地区缺乏足够分辨率的数据来刻画洼地及其连通性；若模型必须依赖此类细节，将难以在空间上推广。

研究在跨越大草原坑洼区的近百个流域中测试该框架，并设定两类目标：一是提升流量预测能力，包括在无校准数据的未测量流域实验中；二是检验模型内部过程是否“真实”，而不仅是输出曲线拟合。为此，研究评估了模型对流量持续曲线形状（用于概括变异性与闪变性）、与再分析产品对比的蒸散发信号合理性，以及与洪水相关的高流量行为的刻画能力。

论文报告称，在未测量流域实验中，物理驱动框架在多数情况下取得令人满意的预测表现，其成功率为未嵌入储水物理过程的标准深度学习模型的两倍以上。研究据此认为，将洼地储水物理机制纳入学习过程，有助于提升模型的泛化能力。

除流量输出外，研究还对洼地储水动态进行外部对照验证：团队将模拟的年度最大洼地储水信号与卫星反演的年度最大淹没面积进行比较，在洼地丰富的流域中观察到较强的年际共变关系，且区域尺度的空间变异模式高度一致。研究人员表示，这一结果意味着在直接湿地观测有限的情况下，模型有望用于刻画区域内部湿地储水随年份变化的特征。

研究同时指出，该方法并未显式表示洼地之间或洼地与河流之间的连通网络，而是刻画连通性的整体效应；这有利于跨区域推广，但也意味着物理细节仍有改进空间，尤其是在地下水相互作用显著的低流过程方面。研究人员将该工作定位为“可检验的前进路径”，而非对问题的最终解决。

在后续方向上，论文提出三类潜在应用：其一，利用框架识别区域水文脆弱性，在数据稀缺流域也能对高流量、变异性与闪变性倾向进行区域化刻画；其二，结合日益丰富的遥感连通性观测数据，将湿地何时连通及其演变信息纳入训练与评估，以强化模型状态与真实机制的对应；其三，将框架推广至大草原坑洼区以外的洼地主导景观，包括春季池塘、盐碱湖、农场池塘网络等同样受阈值驱动储水动态影响的系统。

上述研究由水文学家Ali Ameli及其团队报告。论文作者介绍称，其研究关注地貌结构与储水动态如何塑造流域功能，并尝试将水文过程理解与现代机器学习结合，以提升观测稀缺地区的预测能力并保持物理可解释性。