预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

Aug, 2023

通过 2016 年至 2018 年诺福克的降雨事件数据，本研究比较了基于随机森林算法的以前的代理模型与两种深度学习模型（LSTM 和 GRU）的性能，突出了使用支持预测不确定性传达和有效整合相关多模态特征的模型架构的重要性。

Jul, 2023

在废水处理中，尽管深度强化学习在机器人技术和游戏领域取得了杰出的成果，但在工业流程优化方面仍面临挑战。本研究通过使用模型的预测数据作为输入以进行校正，并改变损失函数以考虑长期预测形态（动态），提供了改进废水处理数据训练模型的两种方法，提高了模拟器在一年中动态时间弯曲方面的性能。这些改进为基于时间序列数据的生物过程模拟器的创建提供了重要的希望。

Mar, 2024

该研究提出了一种评估污水管道降解模型适用性的方法，并表明 Logistic Regression 作为一种较少准确但能够产生一致降解曲线和具有高可解释性的模型，在制定检查计划方面比集成模型更加高效。

Jul, 2023

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

本文利用物理信息引导机器学习代理模型，开发了多尺度数字孪生工具，可快速评估地下水受污染特征在气候变化下的时空演变，预测 1954 年至 2100 年时段内的储备率，用于环境修复领域的研究。

Nov, 2022

本研究探讨了利用量子机器学习改进洪水预测的潜力。我们针对 2023 年德国魏珀河的日常洪水事件，将传统机器学习技术与量子机器学习技术相结合，利用量子的叠加和纠缠等特性实现更高的准确性和效率。通过对比传统和量子机器学习模型的训练时间、准确性和可扩展性，结果表明量子机器学习模型在训练时间和预测准确性上具有竞争力。本研究是利用量子技术应对气候变化适应性的一步，我们强调合作和持续创新，将该模型应用于真实世界的洪水管理，最终增强全球抵御洪水的能力。

Jul, 2024

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

使用传递学习方法，将来自开源模拟模型和另一废水处理厂的知识转移到工业废水处理厂，从而提高预测性能。测试和验证性能分别提高了 27% 和 59%。

Jan, 2024

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013