HydroDCM：水文域条件调制用于跨水库入库流量预测
机器学习
2025-12-04 v1 人工智能
摘要
深度学习模型在水库入库流量预测中展现出潜力，但其性能在不同水库之间往往因分布差异而下降，这被称为域偏移问题。域泛化（DG）方法旨在通过提取域不变表征来缓解在未见域上的误差。然而，在水文环境中，每个水库表现出独特的入库流量模式，而一些观测之外的元数据（如空间信息）会产生间接但显著的影响。这种不匹配限制了传统 DG 技术在多域水文系统中的适用性。为克服这些挑战，我们提出了 HydroDCM，一个可扩展的跨水库流量预测 DG 框架。利用水库的空间元数据构建伪域标签，指导不变时间特征的对抗学习。在推理阶段，HydroDCM 通过轻量级条件层利用目标水库的元数据对这些特征进行自适应调节，从而协调 DG 的不变性与位置特异性适应。在美国科罗拉多河上游流域 30 个真实水库上的实验结果表明，我们的方法在多域条件下显著优于现有最先进的 DG 基线，且保持了计算效率。
引用
@article{arxiv.2512.03300,
title = {HydroDCM: Hydrological Domain-Conditioned Modulation for Cross-Reservoir Inflow Prediction},
author = {Pengfei Hu and Fan Ming and Xiaoxue Han and Chang Lu and Yue Ning and Dan Lu},
journal= {arXiv preprint arXiv:2512.03300},
year = {2025}
}
备注
Accepted by AAAI 2026 workshop (oral) on AI for Environmental Science