HydroDeep——一种用于地理时空数据分析的知识引导深度神经网络
机器学习
2021-02-10 v2 人工智能
信号处理
摘要
由于区域气候变化的证据有限且成因复杂，河流洪水预测的可信度仍然较低。理解地理时空信息内在的基本机制对于提升预测精度至关重要。本文展示一种混合神经网络架构——HydroDeep，其将基于过程的 hydro-ecological 模型与深度卷积神经网络（CNN）及长短期记忆（LSTM）网络的组合相耦合。HydroDeep 在 Nash-Sutcliffe 效率上分别比独立的 CNN 与 LSTM 高出 1.6% 与 10.5%。此外，我们表明在一个区域预训练的 HydroDeep 善于通过独特的迁移学习方法将其知识迁移至遥远地区，该方法通过学习新区域的地理时空特征并以更少的迭代次数，将 HydroDeep 在新区域的训练时长最小化。
引用
@article{arxiv.2010.04328,
title = {HydroDeep -- A Knowledge Guided Deep Neural Network for Geo-Spatiotemporal Data Analysis},
author = {Aishwarya Sarkar and Jien Zhang and Chaoqun Lu and Ali Jannesari},
journal= {arXiv preprint arXiv:2010.04328},
year = {2021}
}