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

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

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。

Jul, 2020

利用可学习的复杂区域转换函数进行高分辨率水文模型的新奇无缝区域化技术，解决估计空间分布水文参数的难题，特别是针对未计量水道上的洪水问题。

Jul, 2023

使用机器学习技术研究了以质量保持感知器为基本计算单元、基于有向图架构的简明可解释的集水区尺度水文模型的适用性，重点关注单一位置的架构复杂性，而非广泛适用于大样本集水区；研究旨在发现代表主要过程的最小表示（细胞状态和流动路径的数量），以解释给定集水区的输入状态和输出行为，并特别强调模拟流量动态的完整范围（高、中、低）。研究发现，在研究位置上，具有三个细胞状态和两个主要流动路径的类 HyMod 架构实现了这样的表示；然而，额外融入输入绕行机制显著提高了水文图的时序和形状，而双向地下水质量交换的引入则显著提高了基流的模拟。总体而言，我们的结果表明在模型评估中使用多个诊断指标的重要性，同时强调需要设计更适合提取完整流量动态信息的训练指标。此外，通过使用神经架构搜索确定不同水文气候区域集水区的适当最小表示，我们为基于大样本数据的可解释的区域尺度 MCP 水文模拟建立了基础。

Jan, 2024

使用机器学习方法，从中央谷地 (CV) 含水层的三维岩性纹理模型中学习，建立了一个新颖的地下水位模型。通过结合高斯过程 (GP) 和深度神经网络 (DNN) 进行多变量回归，该模型显示了在低质量的、时间和空间采样稀疏且带有噪音的井数据中，GP-DNN 回归方法在不稳定特征建模中具有快速和可靠的不确定性量化能力。根据结果，2017 年和 2019 年的湿年并未有效补充先前干旱年份造成的地下水损失。

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

研究使用 LSTM 网络进行降雨径流预测及分析，以此探究它在水文学领域中的应用及其内部学习机制。

Mar, 2019

Hybrid Data Assimilation and Parameter Regionalization (HDA-PR) approach improves the regionalization of spatially distributed hydrological parameters, achieving high Nash-Sutcliffe efficiency scores in flash-flood-prone areas through the use of learnable regionalization mappings.

Aug, 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