Nov, 2023

流动的几何形状：用多模型机器学习推进河流几何形状的预测

PDF
TL;DR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。
hydraulic geometryflood forecastingmachine-learning modelsriver widthriver depth
发现论文，激发创造
  • 物理引导机器学习方法在水文学中的应用

    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

  • HydroNets: 利用河流结构进行水文模型建模

    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

  • 水资源管理的带不确定性量化的径流预测：一种约束推理与学习方法

    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

  • 南佛罗里达州水位预测的深度学习模型

    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

  • 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

  • 复制研究：物理引导的机器学习增强水文模型

    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

  • 利用循环神经网络在陆面模型中实现河水路由

    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

  • 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

  • 利用物理信息机器学习来估计非规则的用水需求以帮助泄漏检测

    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

  • 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