澳大利亚流域的基于分位值的集成深度学习框架用于流量与洪水预测
机器学习
2025-02-12 v2 大气与海洋物理
应用统计
机器学习
摘要
近年来，洪水等气候极端事件在澳大利亚造成了显著的环境和经济损失。深度学习方法在预测极端气候事件方面显示出前景；然而，大型洪水事件因模型校准和缺失数据等因素构成严重挑战。我们提出了一种基于分位值回归的集成深度学习框架，用于流域大规模流量预测，实现不确定性预测。我们评估了所选的单变量和多变量深度学习模型及流域策略。此外，我们使用 CAMELS 数据集为澳大利亚所选流域实现了一个多步时间序列预测模型。该集成模型采用一组基于历史流量数据确定的分位深度学习模型。我们利用流量预测结果，通过洪水频率分析获取洪水概率，并与所选流域的历史洪水事件进行比较。我们的结果表明，流量预测在具有不同流域特性的情形下具有显著的有效性和不确定性。我们的洪水概率估计在捕捉所选流域的历史洪水方面表现良好。这凸显了我们的深度学习框架在不同地区革新化洪水预测潜力，并可作为预警系统实现。
引用
@article{arxiv.2407.15882,
title = {Ensemble quantile-based deep learning framework for streamflow and flood prediction in Australian catchments},
author = {Rohitash Chandra and Arpit Kapoor and Siddharth Khedkar and Jim Ng and R. Willem Vervoort},
journal= {arXiv preprint arXiv:2407.15882},
year = {2025}
}