AAAINov, 2022

贝宁共和国多水文站缺失河流流量数据插值

PDF
TL;DR本研究通过对贝宁共和国的十个河流测量站进行偏差校正，研究发现弹性网络回归和高斯过程回归的整体偏差校正相对于传统的随机森林、k 近邻和 GESS 记录的插补方法具有更强的技能。这一发现为将全球 GESS 流量数据整合到对极端天气事件脆弱的国家的操作性预警决策系统（例如洪水警报）中提供了基础。
streamflowbias correctionquantile mappinggaussian processelastic net regression
发现论文，激发创造
  • 水文反演模型中的不确定性量化

    通过使用降水量和天气数据来逆向建模河流流量和恢复地理特征，我们的模型比现有模型更准确和可解释，能够提供不确定性量化结果，从而改进河流流量的预测。

    Oct, 2023

  • 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

  • 预测时空卫星数据中的缺失值

    本文介绍了一种新的基于排序程序和分位数回归的遥感数据缺失值填充算法，该算法在 MODIS NDVI 数据上经过了测试并证明了其预测性能良好。

    May, 2016

  • 应用知识引导自监督学习的强健反演框架：以水文学为例

    本文提出了一种可解决环境应用和流域特征多变等问题，基于知识引导的自监督学习 KGSSL 框架，并对基于流域属性和气象数据的 CAMELS 水文基准数据集进行流量建模，并表明在从驱动器和响应数据提取系统特征时，KGSSL 可以更加鲁棒.

    Sep, 2021

  • 地球观测应用模型预测中缺失数据的影响评估

    地球观测应用中使用机器学习模型来处理复杂和异构的数据源，但是对于数据源的持久性可用性存在一种常见的假设。本研究评估了训练模型中缺失时间性和静态的观测数据源对于四个数据集中分类和回归任务的影响，并比较了不同方法的预测质量，发现其中一些方法对于缺失数据自然更具鲁棒性。特别是，集成策略实现了高达 100％的预测稳健性。我们发现，在回归任务中缺失情景比分类任务更具挑战性。最后，我们发现当光学视图单独缺失时，它是最关键的视图。

    Mar, 2024

  • 基于图卷积 GRU 网络的短期逐时流量预测

    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

  • 用全卷积网络预测瑞典集水区湍流水流密度

    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

  • 一种端到端的时间序列模型，用于同时进行填充和预测

    本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。

    Jun, 2023

  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 多属性传感器数据流的缺失值填充通过信息传播（扩展版）

    本研究提出了一种基于消息传播的缺失值填补网络 (MPIN)，能够有效地恢复数据流中数据实例的缺失值，并通过连续填补框架实现持续的高效填补，实验证明 MPIN 在多个真实数据集上能够显著优于现有的数据填补方法，并且连续填补框架具有高效准确的特点。

    Nov, 2023