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

系统回顾了近期应用于水资源监测、管理和沟通的深度学习方法，并提供了在未来水资源挑战中如何使用这些方法的指南。同时讨论了在水域应用这些技术进行决策的伦理问题和挑战，并提供了应用深度学习模型于水文和水资源领域的未来发展方向和建议。

Jun, 2020

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

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

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

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023

使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

Apr, 2024

通过使用机器学习算法（XGBoost）和大量实际和代理的水位深度观测数据，本研究构建了三个 500 米分辨率的水位深度模拟模型，并与物理模型进行对比。结果表明，相比三个物理模型，机器学习模型更准确地预测北美大部分生态区未见的实际和代理观测值，但仍存在数据偏差和不可靠观测数据、物理模型方程错误以及机器学习模型过于灵活等问题。针对这些问题，本研究深入探讨了未来的研究方向，特别关注了机器学习在水位深度估计中的应用。

Apr, 2024

近期基于深度学习的时序降水预测模型研究进展与性能评估综述

Jun, 2024

该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。

Sep, 2023