利用稀疏流量历时曲线与输入选择集成建模在无资料地区的径流预测
机器学习
2022-03-24 v1 人工智能
摘要
尽管长短期记忆（LSTM）模型在径流预测中展现出卓越性能，但在无水文站连续区域应用这些模型，即无资料地区预测（PUR）问题，仍存在重大风险。然而，诸如流量历时曲线（FDC）之类的软数据可能已从附近站点获得，或将来可能获得。本文证明，稀疏 FDC 数据可通过编码器由基于 LSTM 的网络迁移并同化。一项严格的基于区域留一法测试显示，对美国数据集的中位 Kling-Gupta 效率（KGE）为 0.62，显著高于先前最先进的全球尺度无资料流域测试。不含 FDC 的基线模型已具竞争力（中位 KGE 0.56），但融合 FDC 带来了实质性价值。由于输入表征不准确，基线模型有时可能产生灾难性结果。然而，通过编译基于不同输入选择模型的集成，模型泛化能力得到了进一步有意义的提升。
引用
@article{arxiv.2011.13380,
title = {Prediction in ungauged regions with sparse flow duration curves and input-selection ensemble modeling},
author = {Dapeng Feng and Kathryn Lawson and Chaopeng Shen},
journal= {arXiv preprint arXiv:2011.13380},
year = {2022}
}