为Everglades构建检索增强型水位预测
机器学习
2025-08-08 v1
摘要
准确的水位预测对于管理像埃弗格兰德斯这样的亚热带湿地至关重要，这种湿地对于洪涝管理、干旱管理、水资源规划和生物多样性保护至关重要。虽然近期深度学习技术，特别是时间序列基础模型，在一般领域的预测方面取得了成功，但在水文学中的应用仍未得到充分探索。此外，这些模型往往难以在 diverse 且未见的dataset和domains之间推广，因为缺乏有效的适应机制。为此，我们将检索增强预测（RAF）引入水文学领域，提出一个框架在预测前检索历史上类似的多变量水文情景以丰富模型输入。通过维护过去观察的外部档案，RAF识别并整合历史数据中相关模式，从而增强情境感知和预测准确性，而无需进行特定于任务的模型重新训练或微调。此外，我们探索并比较了基于相似性和基于相互信息的RAF方法。我们在埃弗格兰德斯的真实数据上进行了全面评估，证明RAF框架在水位预测准确性方面显著提高。这一研究突显了RAF方法在环境水文学中的潜力，为领域专家在生态系统管理中采用自适应AI方法铺平了道路。该代码和数据可在 https://github.com/rahuul2992000/WaterRAF 获取。
引用
@article{arxiv.2508.04888,
title = {Retrieval-Augmented Water Level Forecasting for Everglades},
author = {Rahuul Rangaraj and Jimeng Shi and Rajendra Paudel and Giri Narasimhan and Yanzhao Wu},
journal= {arXiv preprint arXiv:2508.04888},
year = {2025}
}