NeuralHydrology——水文学中的 LSTM 解释
机器学习
2019-11-13 v2 大气与海洋物理
机器学习
摘要
尽管长短期记忆网络（LSTM）取得了巨大成功，其在环境科学中的应用仍很少见。我们认为原因之一在于难以解释已训练网络的内部机制。在本研究中，我们考察 LSTM 在降雨-径流预报中的应用，这是水文学领域的核心任务之一，即必须从气象观测预测河流流量。LSTM 特别适合该问题，因为记忆单元可表示动态水库与储水，而这些是水文系统状态空间建模方法中的基本组分。基于两个不同流域（一个受积雪影响，一个无），我们展示了如何对训练模型进行分析与解释。在此过程中，我们表明网络在内部学习到的模式与我们关于水文系统的定性理解一致。
引用
@article{arxiv.1903.07903,
title = {NeuralHydrology -- Interpreting LSTMs in Hydrology},
author = {Frederik Kratzert and Mathew Herrnegger and Daniel Klotz and Sepp Hochreiter and Günter Klambauer},
journal= {arXiv preprint arXiv:1903.07903},
year = {2019}
}
备注
Pre-print of published book chapter. See journal reference and DOI for more info