HydroDiffusion：基于扩散模型的概率性流域径流预测框架
机器学习
2025-12-16 v1 地球物理
摘要
近期的进展引入了扩散模型用于概率性流域径流预测，展示出强大的预警技能。然而，当前的实现方式依赖于循环长短期记忆（LSTM）作为后端，以及单步训练目标，这限制了其捕捉长程依赖关系的能力，以及在不同 lead 时间段内产生连贯预测轨迹的能力。为此，我们开发了 HydroDiffusion，一个基于扩散模型的概率性预测框架，采用仅解码器的状态空间模型作为 backbone。该框架在单次前向传�中联合去噪完整的多日轨迹，确保时间连贯性，减轻自回归预测中常见的误差累积。HydroDiffusion 在美国本土 531 个流域（CAMELS 数据集）上进行评估。我们将 HydroDiffusion 与两个基于 LSTM backbone 的扩散基线模型，以及最近提出的扩散型径流模型（DRUM）进行基准测试。结果表明，HydroDiffusion 在驱动观测气象强迫条件下实现了强大的 nowcast 准确性，并且在完整仿真时段内保持一致的性能。此外，HydroDiffusion 在操作性预测中优于 DRUM，表现出更强的确定性和概率性预测技能。这一结果确立了 HydroDiffusion 作为中长期流域径流预测中稳健的生成式建模框架，提供了新的建模基准以及面向大尺度概率性水文预测的未来研究基础。
引用
@article{arxiv.2512.12183,
title = {HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone},
author = {Yihan Wang and Annan Yu and Lujun Zhang and Charuleka Varadharajan and N. Benjamin Erichson},
journal= {arXiv preprint arXiv:2512.12183},
year = {2025}
}