用于估计大陆美国降雪水当量的物理驱动长短期记忆模型
大气与海洋物理
2025-07-24 v2 机器学习
摘要
雪是各种陆面模型的重要输入。来自过程基重分析产品或来自现场测量的季节性雪估计以降雪水当量(SWE)形式提供。虽然重分析产品计算昂贵且仅在固定的空间和时间分辨率下可用，但现场测量高度局部化且稀疏。为解决这些问题并 enable 对大量物理、形态和地质条件对雪的存在和数量影响进行分析，我们构建了一个长短期记忆(LSTM)网络，该网络能够基于各种物理/气象因素的时间序列输入以及静态空间/形态因素来估计 SWE。具体而言，该模型将 SWE 估计分为两个单独的任务：(i) 指示特定日期雪的存在/不存在的分类任务，以及 (ii) 在雪存在的情况下指示特定日期 SWE 高度的回归任务。该模型使用来自美国西部的 SNOw TELemetry(SNOTEL)雪压力表的物理/现场 SWE 测量进行训练。我们将展示，训练好的 LSTM 模型对雪的存在具有 的分类准确率，其 SWE 估计的相关系数约为 0.9。我们还将演示该模型能够对以前看不到的数据在空间和时间上进行推广。
引用
@article{arxiv.2504.20129,
title = {A Physically Driven Long Short Term Memory Model for Estimating Snow Water Equivalent over the Continental United States},
author = {Arun M. Saranathan and Mahmoud Saeedimoghaddam and Brandon Smith and Deepthi Raghunandan and Grey Nearing and Craig Pelissier},
journal= {arXiv preprint arXiv:2504.20129},
year = {2025}
}
备注
Preprint of journal paper in preparation. Details: 24 pages, 8 figures