流动的几何学：利用多模型机器学习推进河流几何预测
地球物理
2023-12-20 v1 机器学习
摘要
描述河流水文地貌的水力几何参数对于洪水预报至关重要。尽管在过去70年中，已建立的幂律水力几何曲线被广泛用于理解河流系统和绘制全球洪水淹没图，但我们越来越意识到这些方法的局限性。在本研究中，我们超越了这些传统的河流几何幂律关系，测试了机器学习模型在改进河流宽度和深度预测方面的能力。为此，我们使用了前所未有的河流测量数据集（HYDRoSWOT）以及一系列流域预测数据，开发了新颖的数据驱动方法，以更好地估计美国本土（CONUS）的河流几何。我们的随机森林、XGBoost和神经网络模型在宽度和深度方面均优于传统的区域化幂律水力几何方程，宽度R平方值高达0.75，深度高达0.67，而区域水力几何方程的宽度R平方值为0.57，深度为0.18。我们的结果还显示，不同机器学习模型在不同河流等级和地理区域上的性能表现各异，证明了使用多模型方法最大化河流几何可预测性的价值。开发的模型已用于创建新的公开数据集STREAM-geo，该数据集提供了美国本土近270万条NHDPlus河流河段的宽度、深度、宽深比以及河流和溪流表面积百分比（%RSSA）。
引用
@article{arxiv.2312.11476,
title = {The geometry of flow: Advancing predictions of river geometry with multi-model machine learning},
author = {Shuyu Y Chang and Zahra Ghahremani and Laura Manuel and Mohammad Erfani and Chaopeng Shen and Sagy Cohen and Kimberly Van Meter and Jennifer L Pierce and Ehab A Meselhe and Erfan Goharian},
journal= {arXiv preprint arXiv:2312.11476},
year = {2023}
}
备注
30 pages, 10 figures