ICLRJul, 2020

HydroNets: 利用河流结构进行水文模型建模

PDF
TL;DR本研究提出了一种名为 HydroNets 的新型水文模型，该模型利用河流网络结构，采用深度神经网络模型，以识别流域特异的降雨径流信号和上游网络动态的组合。实证研究在印度的两个大流域中建立的 HydroNets 模型证明了该模型与传统水文模型相比具有从少量数据中获取更准确预测数据的优势。
hydronetshydrologic modelsriver network structurerainfall-runoff signalsupstream network dynamics
发现论文，激发创造
  • 河流网络拓扑在神经洪水预测中的价值

    气候变化对河流洪水产生了更频繁和更强烈的影响。本文通过运用 GNN 模型分析河流网络中的测量站点和邻接关系，发现模型无法很好地利用河流网络拓扑信息进行预测，并且在突发性洪水情况的预测上存在困难，这表明神经预测不总是能从图形结构中受益的潜在现象。这一发现可能会启发系统性研究在何种条件下会出现这种情况。

    May, 2024

  • 利用循环神经网络在陆面模型中实现河水路由

    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

  • 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为

    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

  • 深度学习水动力学预测用于近实时洪涝区域评估（DL Hydro-FRAN）

    本文研究使用 DNN 优化水动力洪水模型，通过在 2D HEC-RAS 水动力模型中模拟洪水事件并使用 DNN 预测洪水深度和速度，结果显示 DNN 能够极大地优化水动力洪水模型，实现接近实时的洪水预报，且可以显著提高预报计算时间。同时，该研究还发现了影响方程选择和 DNN 架构配置的数值稳定性问题。

    May, 2023

  • 基于深度神经网络的分散式洪水预测

    该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

    Feb, 2019

  • 基于图神经网络的城市排水网络实时水力预测的代理模型

    基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

    Apr, 2024

  • 流动的几何形状：用多模型机器学习推进河流几何形状的预测

    本研究通过使用机器学习模型，测试了传统水动力几何方程的预测性能，提出了对河流宽度和深度进行更准确估计的数据驱动方法，其中随机森林、XGBoost 和神经网络模型的表现优于传统的水动力几何方程，为河流几何特征的预测性提供了新的解决方案。

    Nov, 2023

  • 洪水模拟与预测的大规模应用：FloodCast

    建立了一种快速、稳定、准确、分辨率无关和几何自适应的洪水建模和预测框架，包括多卫星观测和水动力建模模块，以及基于几何自适应的物理信息神经求解器（GeoPINS），并通过与传统水动力学和基于合成孔径雷达的洪水深度数据的比较验证模型的性能。

    Mar, 2024

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 物理信息对神经网络在水力建模中的泛化能力的影响

    神经网络在河流水力学中的应用尚不成熟，尽管该领域存在数据稀缺等机器学习技术挑战。因此，本研究旨在通过在训练阶段引入物理信息来缓解这一问题，并展示了这种方法可以提高预测能力。

    Mar, 2024