Apr, 2024

利用循环神经网络在陆面模型中实现河水路由

PDF
TL;DR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。
machine learninghydrologyrecurrent neural networksstreamflow predictionland surface models
发现论文，激发创造
  • 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为

    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

  • 使用 CNN-LSTM 简洁建模进行水流预测

    在这项研究中，我们将 CNN-LSTMs 的应用扩展到时间序列设置中，利用滞后的水流数据与降水和温度数据相结合，预测水流状况，并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进，展示了 Kling-Gupta 效率值的显著增加，从而突出了 CNN-LSTMs 在时间序列设置中的效果，特别适用于准确且鲁棒的水流预测的时空水文建模。

    Apr, 2024

  • 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

  • 液滴动力学能量预测的循环神经网络方法

    本研究采用 LSTM 模型预测具有表面张力效应的流体流动的瞬态和静态输出，通过神经网络结构从几何参数派生的时间序列数据来预测能量预算，该方法在液滴动力学问题中展示了准确性，并且可以用于预测静态参数，如雷诺数和韦伯数。

    Mar, 2024

  • 诺福克弗吉尼亚市街道尺度洪水的机器学习替代模型比较

    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

  • 神经水文 -- 解释 LSTM 在水文学中的应用

    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

  • 基于物理引导的循环神经网络模型用于建模动态系统：监测湖泊水温和水质

    本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

    Oct, 2018

  • 用 Transformer 网络探测水文预测的极限

    本文研究发现，普通 Transformer 结构在水文建模方面的性能不如 LSTM 结构；去除循环结构的变体可以与 LSTM 相媲美，但是与当前最先进技术相比性能并不突出。

    Jun, 2023

  • 物理导向循环神经网络模拟动力系统：以模拟湖泊温度剖面为案例研究

    该论文提出了一种物理引导的循环神经网络模型，结合了循环神经网络与基于物理的模型，利用它们的互补优势来改善物理过程建模的精度，从而在各种科学和工程领域得到应用。

    Oct, 2018