神经网络用于流域水温预测的评估
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
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
利用不同性能度量评估线性回归、随机森林、XGBoost、LightGBM 和 MLP 神经网络五种模型在美国佐治亚州预测 pH 值方面的效果,表明 LightGBM 具有最高的平均精度,树模型在回归问题中具有卓越性能,MLP 神经网络的性能对特征缩放敏感,并解释了机器学习模型相对原研究的提升原因,以建立适用于实际应用的强大预测流程,既适合数据科学领域专业人士,也适用于缺乏特定应用领域专业知识的人群,强调预测准确性和可解释性。
Sep, 2023
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
通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化,实现替换传统的物理模型的亚网参数化方法,最终实现稳定的气候模拟并提高计算效率。
Oct, 2020
本研究探索了一种基于机器学习的方法,利用流域区的物理特征和过去降雨量和温度变化的时空信息,通过稠密水流量预测模型,精确预测内陆水流量强度,为应对洪水的风险和损害提供决策依据。
Apr, 2023
通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失,尽管当前暂时有一些计算力等限制,但并行化是一个可以解决这些问题的方案。
Jun, 2023