以物理一致方式增强预测能力:面向水文过程的物理信息机器学习
机器学习
2021-04-23 v1 机器学习
应用统计
摘要
当前的水文建模方法通常依赖基于物理的或数据科学的方法,包括机器学习(ML)算法。基于物理的模型往往结构僵化,导致在某些情况下参数值不切实际;而 ML 算法建立输入输出关系,却忽略了已知物理过程所施加的约束。尽管有观点认为物理模型有助于更好地理解过程、ML 算法展现更优预测能力,但不增进预测能力的科学知识可能是误导性的。因此,需要一种将 ML 算法与基于物理的模型协同耦合的混合建模方法。在此我们开发了物理信息机器学习(PIML)模型,将概念性水文模型的过程理解与时下最优 ML 模型的预测能力相结合。我们将所提模型应用于预测印度 Narmada 河流域的目标变量(径流)与中间变量(实际蒸散发)的月时间序列。结果表明,PIML 模型在通过水平衡分析验证输出物理一致性的同时,性能优于纯概念模型( 模型)与 ML 算法。这种将概念模型结构与 ML 算法结合的系统方法可用于提高对洪水风险评估至关重要的关键水文过程的预测精度。
引用
@article{arxiv.2104.11009,
title = {Enhancing predictive skills in physically-consistent way: Physics Informed Machine Learning for Hydrological Processes},
author = {Pravin Bhasme and Jenil Vagadiya and Udit Bhatia},
journal= {arXiv preprint arXiv:2104.11009},
year = {2021}
}