物理引导机器学习方法在水文学中的应用
该研究介绍了一种物理信息驱动的机器学习(PIML)模型,将概念性水文模型的过程理解与机器学习算法的预测效能相结合,在安纳达普尔亚分水汇中应用,表明该模型在预测月流量和实际蒸散发方面的性能优于独立的概念模型和机器学习算法,确保输出的物理一致性。
Feb, 2024
准确的水文认识和水循环预测对于解决水资源管理中的科学和社会挑战至关重要,特别是在人为气候变化的动态影响下。我们介绍了物理感知机器学习作为一种改变性方法,旨在克服水文学和机器学习的观念障碍,并革命化这两个领域。通过综述物理感知机器学习方法,我们建立了一个结构化的方法库,将先前的物理知识或基于物理建模的方法融合到机器学习中。我们首先对水文学中的物理感知机器学习进行了系统回顾,包括降雨径流模型和水动力学过程,并突出了不同目标和物理感知机器学习方法的最有前景和具有挑战性的方向。最后,我们发布了一个基于物理感知机器学习的水文学平台,称为 HydroPML,作为水文学应用的基础。HydroPML 增强了机器学习的可解释性和因果关系,并为数字水循环的实现奠定了基础。
Oct, 2023
预测流域水量的时空变化及不确定性量化有助于可持续管理宝贵的水资源,本文研究了约束推理和学习方法,在深度神经网络中将物理定律作为逻辑约束层进行集成,并结合高斯过程和深度时间模型进行不确定性量化。实验证明,这些方法在多个真实数据集上比基线方法具有更好的效果。
May, 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
预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战,使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息,并提出了几个开放问题,包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。
Aug, 2023
本文介绍了针对水平面的模拟和预测的物理模型计算复杂,提出机器学习模型作为替代,并在南佛罗里达的 Miami River 做了案例分析,并证明了输出结果与物理模型的差距不大。
Jun, 2023
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
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
本文提出了一种物理引导递归神经网络模型(PGRNN),它根据物理学模型和机器学习模型相结合,明确提出物理模型的局限性并提出了一种新的改进方法,该方法能够更好地预测实际现象。
Jan, 2020
本文介绍了一种新型的框架,将物理学的科学知识与递归神经网络相结合,来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法,并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质,通过使用科学知识指导构建和学习数据驱动模型,我们证明该方法可以实现更好的预测精度以及结果的科学一致性。
Oct, 2018