面向不同空间区域和尺度的溪流温度预测的 Geo-Aware 模型
机器学习
2025-10-13 v1
摘要
理解环境生态系统对我们的星球可持续管理至关重要。然而，现有的物理模型和数据驱动模型由于真实环境生态系统固有的数据异质性，往往无法泛化到不同的空间区域和尺度。这一泛化问题因模型训练可用的有限观测样本而进一步加剧。为解决这些问题，我们提出了 Geo-STARS，一个面向跨不同流域和空间尺度预测溪流温度的地理感知时空建模框架。Geo-STARS 的主要创新在于引入了地理感知嵌入，利用地理信息来显式捕捉跨空间区域和尺度的共享原理和模式。我们进一步将地理感知嵌入集成到门控时空图神经网络中。该设计使模型能够在地理和水文上下文的引导下学习复杂的时空模式，即使观测数据稀疏或缺失。我们评估了 Geo-STARS 在预测溪流温度（水质的主控因素）方面的有效性。使用跨越美国东海岸多个流域、横跨 37 年的真实数据集，Geo-STARS 展现了其在区域和尺度两个维度上的优越泛化性能，优于最先进基线。这些结果凸显了 Geo-STARS 在可扩展、数据高效的环境监测和决策中的潜力。
引用
@article{arxiv.2510.09500,
title = {Geo-Aware Models for Stream Temperature Prediction across Different Spatial Regions and Scales},
author = {Shiyuan Luo and Runlong Yu and Shengyu Chen and Yingda Fan and Yiqun Xie and Yanhua Li and Xiaowei Jia},
journal= {arXiv preprint arXiv:2510.09500},
year = {2025}
}