在这项研究中，我们将 CNN-LSTMs 的应用扩展到时间序列设置中，利用滞后的水流数据与降水和温度数据相结合，预测水流状况，并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进，展示了 Kling-Gupta 效率值的显著增加，从而突出了 CNN-LSTMs 在时间序列设置中的效果，特别适用于准确且鲁棒的水流预测的时空水文建模。

Apr, 2024

利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。

Apr, 2024

使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现，同时提出的这个背景与之前的水文理解相符。

Jul, 2019

研究使用 LSTM 网络进行降雨径流预测及分析，以此探究它在水文学领域中的应用及其内部学习机制。

Mar, 2019

我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

Sep, 2023

本文研究了结合循环和注意力的方法是否能够提高水文预测的精度并将 Temporal Fusion Transformer (TFT) 模型应用于水文学领域。在 2600 个以上的全球分布的集水区的实验表明，TFT 模型的表现超过了 LSTM 和 Transformers 模型，并可帮助获得流域产流过程的更多见解。

May, 2023

利用深度学习算法基于历史传感器监测数据，包括河床高程、流量高程和流速，对桥墩周围的冲刷深度变化进行预测，研究了不同模型在实时冲刷预测中的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。此研究揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

Apr, 2024

本文提出了距离加权自正则化神经网络（DAN）模型，用于改进极端天气事件的长期水文流量预测。在四个真实水文流量数据集上验证，DAN 模型在超过其他水文时间序列预测方法和长期时间序列预测方法方面表现出显著的优越性。

Dec, 2023

借助机器学习和递归神经网络 (RNNs) 的方法，通过物理模型替代或补充，本研究针对水文学中全球河流预测的问题进行了研究，并发现 RNNs 在流域和时间的泛化能力上的高性能，为全球流域数量预测提供了新方法和证据。

Apr, 2024

本研究提出了一种基于图卷积 GRUs 网络的模型，通过上游河网对传感器位置未来 36 小时内的水文流量进行预测。实验结果表明，该模型在短期内的水文流量预测方面比持续性基线和卷积双向 GRU 网络都表现更好，有望在未来的洪水预防和减灾中发挥重要作用。

Jul, 2021