物理约束神经微分方程框架用于数据驱动的雪盖模拟
机器学习
2025-11-13 v3 大气与海洋物理
摘要
本文提出了一种物理约束神经微分方程框架用于参数化，并将其用于建模给定水文气象强迫的季节性积雪深度的时间演化。在多个 SNOTEL 站点数据上训练后，该参数化在广泛多样的雪气候条件下预测日积雪深度的中位误差低于 9%，Nash Sutcliffe 效率超过 0.94。该参数化还能泛化到训练期间未见过的新站点，这通常是校准雪模型所不具备的。要求参数化除积雪深度外还预测雪水当量仅将误差增加到约 12%。该方法的结构保证了物理约束的满足，在模型训练期间启用这些约束，并允许在不同时间分辨率下建模而无需对参数化进行额外重训练。这些益处对气候建模具有潜在价值，并可扩展到其他具有物理约束的动力系统。
引用
@article{arxiv.2412.06819,
title = {A Physics-Constrained Neural Differential Equation Framework for Data-Driven Snowpack Simulation},
author = {Andrew Charbonneau and Katherine Deck and Tapio Schneider},
journal= {arXiv preprint arXiv:2412.06819},
year = {2025}
}
备注
This Work has been accepted to Artificial Intelligence for Earth Systems. The AMS does not guarantee that the copy provided here is an accurate copy of the Version of Record (VoR). Please view the VoR at https://doi.org/10.1175/AIES-D-24-0040.1