利用大陆尺度数据集成与长短期记忆网络增强径流预报并提取洞见
机器学习
2020-07-09 v3 机器学习
摘要
具有不同时间表和类型（滑动平均、快照或等间隔）的近期观测有助于改进径流预报，但有效集成它们具有挑战性。基于长短期记忆（LSTM）径流模型，我们测试了一种称为数据集成（DI）的灵活流程的多个版本，以利用近期流量测量来改进预报。DI 直接或通过卷积神经网络（CNN）单元接受滞后输入。DI 普遍将径流预报性能提升到前所未有的水平，达到了大陆尺度中位数 Nash-Sutcliffe 效率系数 0.86 的纪录值。集成滑动平均流量、过去几天的流量、甚至上一日历月的平均流量都能改进每日预报。直接将滞后观测用作输入与使用 CNN 单元性能相当。重要的是，我们获得了关于影响 LSTM 和 DI 性能的水文过程的宝贵洞见。在应用 DI 之前，基础 LSTM 模型在山区或以雪为主的区域表现良好，但在低流量区域（由于低降水或高降水-能量同步性）和年际蓄变量大的区域表现较差。DI 在具有高流量自相关的区域最为有益：它大幅降低了以地下水为主的西部流域的基流偏差，并改进了具有动态地表水蓄量的流域（如 Prairie Potholes 或 Great Lakes 区域）的峰值预测。然而，即便是 DI 也无法提升具有一日骤峰的高干旱度流域。尽管存在此局限，基于深度学习的预报范式因其性能、自动化、效率和灵活性而前景广阔。
引用
@article{arxiv.1912.08949,
title = {Enhancing streamflow forecast and extracting insights using long-short term memory networks with data integration at continental scales},
author = {Dapeng Feng and Kuai Fang and Chaopeng Shen},
journal= {arXiv preprint arXiv:1912.08949},
year = {2020}
}