ForeSWE：基于不确定性感知模型的雪水当量预测
机器学习
2025-11-13 v1 应用统计
摘要
各种复杂的水管理决策都在了解雪水当量 (SWE) 的情况下进行，这是一种广泛用于估计雪包水含量的关键指标。然而，SWE 预测具有挑战性，因为 SWE 受到包括山地地形和各种环境条件在内的多种因素的影响，因此在时空上具有变异性。经典的 SWE 预测方法未充分利用这些空间/时间相关性，也不提供不确定性估计——这对决策者具有重要价值。在本文中，我们提出了 ForeSWE，一种新的概率时空预测模型，将深度学习与经典概率技术相结合。最终的模型特征包括注意力机制以整合时空特征和相互作用，以及提供原则性不确定性量化的高斯过程模块。我们在美国西部 512 个雪仪 (SNOTEL) 站点上对模型进行评估。结果在预测准确性和预测区间方面均显著优于现有方法。结果还突显了不同方法之间不确定性估计的有效性。总体而言，这些发现为水管理社区的部署和反馈提供了平台。
引用
@article{arxiv.2511.08856,
title = {ForeSWE: Forecasting Snow-Water Equivalent with an Uncertainty-Aware Attention Model},
author = {Krishu K Thapa and Supriya Savalkar and Bhupinderjeet Singh and Trong Nghia Hoang and Kirti Rajagopalan and Ananth Kalyanaraman},
journal= {arXiv preprint arXiv:2511.08856},
year = {2025}
}
备注
Accepted for publication at the 2026 AAAI conference