通过域对抗神经网络改进基于机器学习的蒸散发模型的外推能力
机器学习
2024-06-04 v1 地球物理
摘要
基于机器学习的水文预测模型尽管具有高精度，但由于数据分布不均匀，在全球应用时面临外推能力的限制。本研究整合域对抗神经网络（DANN）以提高蒸散发（ET）模型的地理适应性。通过采用DANN，我们旨在减轻不同站点之间的分布差异，显著增强模型的外推能力。我们的结果表明，与传统的留一法（LOO）相比，DANN将ET预测精度平均提高了Kling-Gupta效率（KGE）0.2至0.3。DANN对于孤立站点和生物群落之间的过渡带特别有效，减少了数据分布差异并避免了低精度预测。通过利用数据丰富区域的信息，DANN增强了全球尺度ET产品的可靠性，特别是在无测站区域。本研究强调了域适应技术在提高水文研究中机器学习模型外推和泛化能力方面的潜力。
引用
@article{arxiv.2406.00805,
title = {Extrapolability Improvement of Machine Learning-Based Evapotranspiration Models via Domain-Adversarial Neural Networks},
author = {Haiyang Shi},
journal= {arXiv preprint arXiv:2406.00805},
year = {2024}
}