深度学习模型学习物理关系的能力:以LSTM进行降雨-径流建模为例
大气与海洋物理
2021-11-11 v2 机器学习
摘要
本研究探讨深度学习方法能在输入与输出数据间识别出的关系。作为案例研究,选取以长短期记忆(LSTM)网络在积雪主导流域进行降雨-径流建模。以日降水与平均气温作为模型输入来估算日流量。模型训练与验证后,使用假设输入替代观测气象数据进行了两次实验模拟,以阐明训练后模型对输入的响应。第一个数值实验表明,即便无降水输入,训练后模型仍生成流量,尤其是冬季枯水期及融雪期高流量。无降水情况下,训练后模型亦复现了较暖与较冷条件对流量的影响。此外,模型在积雪累积期总年径流量中仅反映总降水量的17-39%,揭示出强烈的水量守恒缺失。本研究结果表明,深度学习方法虽仍能保持较强的拟合优度结果,但可能无法恰当学习输入与目标变量间的显式物理关系。
引用
@article{arxiv.2106.07963,
title = {Capabilities of Deep Learning Models on Learning Physical Relationships: Case of Rainfall-Runoff Modeling with LSTM},
author = {Kazuki Yokoo and Kei Ishida and Ali Ercan and Tongbi Tu and Takeyoshi Nagasato and Masato Kiyama and Motoki Amagasaki},
journal= {arXiv preprint arXiv:2106.07963},
year = {2021}
}
备注
8 pages, 5 figures