复制研究：利用物理导向机器学习增强水文建模
机器学习
2024-02-22 v1
摘要
当前水文建模方法结合数据驱动机器学习 (ML) 算法和传统物理基模型，以解决其各自局限——刚性物理基模型中不正确的参数估计以及 ML 算法忽略物理过程约束。尽管 ML 在结果预测方面表现出色，但整合科学知识对于可靠预测至关重要。本研究引入一种 Physics Informed Machine Learning (PIML) 模型，将概念水文模型的过程理解与 ML 算法的预测效率相结合。应用于 Anandapur 小流域，PIML 模型在预测月度流量和实际蒸散发方面优于独立的概念模型和 ML 算法，确保了输出的物理一致性。本研究复制了 Bhasme, P., Vagadiya, J., & Bhatia, U. (2022) 关于物理导向机器学习用于水文过程的关键工作的方法，利用其共享的代码和数据集进一步探索水文建模中的预测能力。
引用
@article{arxiv.2402.13911,
title = {Replication Study: Enhancing Hydrological Modeling with Physics-Guided Machine Learning},
author = {Mostafa Esmaeilzadeh and Melika Amirzadeh},
journal= {arXiv preprint arXiv:2402.13911},
year = {2024}
}