利用高时间分辨率温度测量推断地表水与地下水交换的机器学习方法应用
机器学习
2022-01-04 v1 机器学习
摘要
我们考察了机器学习(ML)与深度学习(DL)算法基于地下温度观测推断地表/地下水交换通量的能力。观测与通量由代表华盛顿州东南部能源部Hanford site附近哥伦比亚河条件的高分辨率数值模型生成。向合成温度观测中加入了不同量级的随机测量误差。结果表明，ML与DL方法均可用于推断地表/地下水交换通量。在解释施加了平滑滤波的含噪温度数据时，DL方法尤其是卷积神经网络优于ML方法。然而，ML方法表现亦佳，且能更好地识别数量精简的重要观测，这可用于观测网络优化。令人意外的是，ML与DL方法对向上通量的推断优于向下通量。这与先前利用数值模型从温度观测推断通量的发现直接相反，并可能表明将ML或DL推断与数值推断联合使用可改进河流系统下的通量估计。
引用
@article{arxiv.2201.00726,
title = {Application of Machine Learning Methods in Inferring Surface Water Groundwater Exchanges using High Temporal Resolution Temperature Measurements},
author = {Mohammad A. Moghaddam and Ty P. A. Ferre and Xingyuan Chen and Kewei Chen and Mohammad Reza Ehsani},
journal= {arXiv preprint arXiv:2201.00726},
year = {2022}
}
备注
41 pages, 15 figures, 3 tables