利用元迁移学习预测无监测湖泊的水温动态

大多数环境数据来自少数监测良好的站点。环境科学中的一个持续挑战是将知识从监测站点转移到未监测站点。在此，我们展示一种新颖的迁移学习框架，通过借用监测良好湖泊（源）的模型，准确预测未监测湖泊（目标）中的深度特定温度。该方法称为元迁移学习（MTL），它构建元学习模型，利用湖泊属性和候选模型过去的表现来预测从候选源模型到目标的迁移性能。我们使用校准的基于过程的建模（PB）和一种称为过程引导深度学习（PGDL）的新近方法，在 145 个监测良好的湖泊上构建源模型。我们将 MTL 应用于 PB 或 PGDL 源模型（分别为 PB-MTL 或 PGDL-MTL），以预测美国中北部上游地区 305 个被视为未监测的目标湖泊的温度。我们展示相对于未校准的基于过程的通用湖泊模型有显著改进，目标湖泊的中位 RMSE 为 $2.52^{\circ}C$。PB-MTL 产生中位 RMSE $2.43^{\circ}C$；PGDL-MTL 为 $2.16^{\circ}C$；每个目标九个源的 PGDL-MTL 集成达到 $1.88^{\circ}C$。对于稀疏监测的目标湖泊，PGDL-MTL 常优于在目标湖泊自身上训练的 PGDL 模型。源与目标之间最大深度的差异始终是最重要的预测因子。我们的方法易于扩展到美国中西部数千个湖泊，表明带有有意义预测变量和高质量源模型的 MTL 是面向多种未监测系统与环境变量的有前景方法。