概率逆建模：在水文学中的应用
机器学习
2022-10-13 v1 机器学习
摘要
这些方法的惊人成功使得从这些模型获得更具可解释性和可信度的估计变得势在必行。在水文学中，流域特征可能含有噪声或缺失，从而影响径流预测。对于在此类应用中求解逆问题，确保可解释性对于处理数据偏差和大型搜索空间相关的问题至关重要。我们提出了一种概率逆模型框架，可从动态输入气象驱动因子和径流响应数据重建鲁棒的水文流域特征。我们解决了构建更具可解释性逆模型的两个方面：不确定性估计与鲁棒性。这有助于提高水务管理者的信任度、处理含噪数据并降低成本。我们提出了基于不确定性的学习方法，在由逆模型推断的流域特征估计进行径流预测（前向建模）时，R^2 提升了 6%，不确定性降低了 17%（在存在噪声时降低 40%），且流域特征的覆盖率高出了 4%。
引用
@article{arxiv.2210.06213,
title = {Probabilistic Inverse Modeling: An Application in Hydrology},
author = {Somya Sharma and Rahul Ghosh and Arvind Renganathan and Xiang Li and Snigdhansu Chatterjee and John Nieber and Christopher Duffy and Vipin Kumar},
journal= {arXiv preprint arXiv:2210.06213},
year = {2022}
}