重新思考深度学习：线性回归在预测陆地水存储方面仍是关键基准
机器学习
2025-10-14 v1 大气与海洋物理
地球物理
摘要
近期机器学习进展，如长短期记忆（LSTM）模型和Transformer已在水文学应用中广泛采用，展现出在各种任务中超越物理模型的优势。然而，这些模型在预测被自然波动和人为修改等多种因素主导的陆地表面状态（如陆地水存储（TWS））方面的优势仍不明确。本文利用开放获取、全球代表性的HydroGlobe数据集——该数据集包括仅来自陆地表面模型模拟的基线版本以及集成多源遥感数据 assimilation 的高级版本——我们展示线性回归是TWS预测的稳健基准，超越更复杂的LSTM和时间融合Transformer。我们的发现突显了在开发和评估深度学习模型时，纳入传统统计模型作为基准的重要性。此外，我们强调建立能够捕捉自然波动和人为干预综合影响的全球代表性基准数据集的关键需求。
引用
@article{arxiv.2510.10799,
title = {Rethinking deep learning: linear regression remains a key benchmark in predicting terrestrial water storage},
author = {Wanshu Nie and Sujay V. Kumar and Junyu Chen and Long Zhao and Olya Skulovich and Jinwoong Yoo and Justin Pflug and Shahryar Khalique Ahmad and Goutam Konapala},
journal= {arXiv preprint arXiv:2510.10799},
year = {2025}
}