河流网络拓扑在神经洪水预测中的价值
通过使用图转换网络 (FloodGTN) 来进行河流系统的洪水预测,该工具利用图神经网络 (GNNs) 和 LSTM 来学习不同监测站的水位的时空依赖关系,并考虑降雨、潮汐和水位设置等外部协变量,实验结果表明 FloodGTN 在提高准确性方面比物理模型 (HEC-RAS) 有着 70% 的改进,同时运行时间至少加快了 500 倍。
Oct, 2023
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
基于图神经网络的代理模型提供了可解释且高效的解决方案,用于实时推理城市排水网络的水力预测问题,并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中,相较于基于神经网络的模型和基于物理模型,该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。
Apr, 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
本文介绍了一种针对河流传感器数据的异常检测解决方案,使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系,并针对河流网络数据中的高维数据进行评估,发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时,本文还介绍了 gnnad 软件。
Apr, 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
本研究利用神经网络预测德国六条小溪的水温。通过评估神经网络的鲁棒性、可能的最大值和最小值以及单个输入参数对输出的影响等分析方法,为可靠的水温预测模型选择架构和输入参数做出贡献,以帮助了解神经网络中的过程并增强系统的韧性。
Oct, 2021
利用基于图神经网络(GNN)的混合模型,我们通过将全球气候和野火数据表示为图形,解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战,并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外,通过社区检测和集成梯度分析,我们揭示了潜在的野火相关性聚类和特征重要性,强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展,还强调了模型透明度的重要性,并为野火管理的利益相关者提供了有价值的见解。
Feb, 2024