基于多元时间序列聚类的 Mad River 流域水文与悬浮泥沙事件分析
机器学习
2022-02-04 v2 机器学习
摘要
水文暴雨事件是输送浊度、悬浮泥沙和营养物质等水质组分的主要驱动力。分析这些水质组分的浓度（C）随河流流量（Q）增加的变化，特别是在水文事件期间以高时间分辨率监测时，有助于刻画此类组分的动态与通量。暴雨事件分析的常规方法是将 C-Q 时间序列化简为二维（2-D）滞后环并分析这些二维模式。虽然该方法在一定程度上有效且具信息量，但存在局限，因为将 C-Q 时间序列投影到二维平面会掩盖与 C-Q 关系相关的细节（如时间变化）。本文采用多元时间序列聚类方法解决此问题。聚类应用于来自美国东北部 Lake Champlain 流域六个流域的河流流量与悬浮泥沙数据序列（通过基于浊度的监测获取）。虽然使用多元时间序列方法得到的水文暴雨事件聚类被发现与二维滞后环分类及流域位置相关，但这些聚类不同于二维滞后分类。此外，利用暴雨事件的可用气象数据，我们考察了研究流域中暴雨事件计算聚类的特征，并识别出驱动该聚类方法的特征。
引用
@article{arxiv.1911.12466,
title = {Analysis of Hydrological and Suspended Sediment Events from Mad River Watershed using Multivariate Time Series Clustering},
author = {Ali Javed and Scott D. Hamshaw and Donna M. Rizzo and Byung Suk Lee},
journal= {arXiv preprint arXiv:1911.12466},
year = {2022}
}
备注
Corrected typo in title