物理感知机器学习革新机器学习与过程式水文学的科学范式
机器学习
2024-07-15 v5 人工智能
流体动力学
摘要
准确的水文认知与水循环预测对于应对与水资源管理相关的科学和社会挑战至关重要，尤其在人为气候变化的动态影响之下。现有综述主要聚焦于机器学习（ML）在该领域的发展，然而水文学与 ML 作为独立范式之间存在明显分野。在此，我们引入物理感知机器学习（physics-aware ML）作为一种变革性方法，以克服这一认知壁垒并革新两个领域。具体而言，我们全面综述了物理感知 ML 方法，构建了将先验物理知识或基于物理的建模整合进 ML 的现有方法的结构化社群（PaML）。我们系统分析了这些 PaML 方法在四个方面：物理数据引导的 ML、物理信息驱动的 ML、物理嵌入的 ML 以及物理感知混合学习。PaML 促进了 ML 辅助的假设生成，加速从大数据中获取洞见并推动科学发现。我们首先对 PaML 中的水文学进行系统综述，包括降雨-径流水文过程与水动力过程，并针对不同的目标和 PaML 方法凸显最有前景与最具挑战的方向。最后，发布了一个基于 PaML 的新水文学平台，称为 HydroPML，作为水文应用的基础。HydroPML 增强了 ML 的可解释性与因果性，并为数字水循环的实现奠定基础。HydroPML 平台公开于 https://hydropml.github.io/。
引用
@article{arxiv.2310.05227,
title = {Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology},
author = {Qingsong Xu and Yilei Shi and Jonathan Bamber and Ye Tuo and Ralf Ludwig and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2310.05227},
year = {2024}
}
备注
44 pages, 6 figures