机器学习时代的水文模型运行时间提高方法：机遇与挑战
机器学习
2025-10-14 v2
摘要
机器学习(ML)应用于水文建模仍处于初步阶段。其应用以捕捉流域依赖关系进行短期预测的潜力令人着迷。采用ML算法而非基于物理的模型的一个关键原因是其计算效率优势以及能够处理多种数据集的灵活性。多样化的应用，特别是应用于紧急响应领域，并在大范围内扩展，使得水文模型在短时间内都有需求，从而促使研究人员毫不犹豫地采用数据驱动的建模方法。本文探讨了在ML和深度学习(DL)时代，如何帮助改进基于物理的模型运行时间，以及在建模过程中应注意的潜在约束。本文涵盖了在水文建模中采用ML的机遇与挑战，以及如何帮助改进基于物理模型的仿真时间以及应 addressed的未来工作。
引用
@article{arxiv.2408.02242,
title = {Methods to improve run time of hydrologic models: opportunities and challenges in the machine learning era},
author = {Supath Dhital},
journal= {arXiv preprint arXiv:2408.02242},
year = {2025}
}