基于知识引导自监督学习的鲁棒反演框架及其在水文学中的应用
机器学习
2022-06-10 v2
摘要
机器学习在水文流域径流预测等一系列环境应用中开始提供最先进的性能。然而，由于主导水文过程的可变性（最好由一组过程相关的流域特征来刻画），在实践中构建准确的广域径流模型仍然具有挑战性。现有的流域特征存在噪声和不确定性等诸多问题，对模型性能产生不利影响。为应对上述挑战，本文提出一种新颖的知识引导自监督学习（KGSSL）反演框架，从驱动和响应数据中提取系统特征。这种首创的框架即使在特征被损坏时也能实现鲁棒性能。我们表明，KGSSL在CAMELS（Catchment Attributes and MEteorology for Large-sample Studies，大样本研究流域属性与气象）这一广泛使用的水文基准数据集上取得了径流建模的state-of-the-art结果。具体而言，KGSSL在特征重建方面优于其他方法达16%。此外，我们表明KGSSL相对于基线方法对失真更具鲁棒性，并且在代入KGSSL推断的特征时比基线模型高出35%。
引用
@article{arxiv.2109.06429,
title = {Robust Inverse Framework using Knowledge-guided Self-Supervised Learning: An application to Hydrology},
author = {Rahul Ghosh and Arvind Renganathan and Kshitij Tayal and Xiang Li and Ankush Khandelwal and Xiaowei Jia and Chris Duffy and John Neiber and Vipin Kumar},
journal= {arXiv preprint arXiv:2109.06429},
year = {2022}
}
备注
Accepted at KDD 2022