QDeepGR4J：基于分位数回归的深度学习与 GR4J 混合雨洪模型集合
机器学习
2025-10-08 v1 人工智能
摘要
概念性雨洪模型有助于水文学家和气候科学家建模溢流，以为水管理实践提供信息。近期深度学习的进展揭示了将水文模型与深度学习模型结合以获得更好解释力和改进预测性能的潜力。我们之前的工作引入了 DeepGR4J，该模型利用深度学习模型作为路由组件的替代品，从而增强了 GR4J 概念性雨洪模型。DeepGR4J 在预测准确率方面取得了改进，尤其是在干旱流域。分位数回归模型广泛用于量化不确定性以辅助极值预测。在本文中，我们扩展了 DeepGR4J，采用分位数回归为基础的集合学习框架，对溢流预测进行不确定性量化。我们还利用不确定性边界来识别可能导致洪水的极端流事件。我们进一步将模型扩展到多步溢流预测以获得不确定性边界。我们为在 CAMELS-Aus 数据集上进行详细评估设计了实验。结果表明，我们提出的 Quantile DeepGR4J 框架在预测准确率和不确定性区间质量（区间得分）方面均优于基线深度学习模型。此外，我们对洪水风险进行评估，结果表明其作为早期预警系统的适用性。
引用
@article{arxiv.2510.05453,
title = {QDeepGR4J: Quantile-based ensemble of deep learning and GR4J hybrid rainfall-runoff models for extreme flow prediction with uncertainty quantification},
author = {Arpit Kapoor and Rohitash Chandra},
journal= {arXiv preprint arXiv:2510.05453},
year = {2025}
}