CAMELS 模型的妥善训练与数据供给：有限训练数据如何影响径流预测
机器学习
2020-11-23 v3 机器学习
摘要
准确的径流预测在很大程度上依赖于历史气象记录和流量观测。然而，对于许多地区而言，此类数据仅稀缺可得。面对这一问题，许多研究简单地在该地区可用数据上训练其机器学习模型，使得该策略可能带来的后果尚不清楚。在本研究中，我们从地理多样性和不同时间跨度的角度，评估了基于树和基于 LSTM 的模型对有限训练数据的敏感性。我们向模型输入随 CAMELS 数据集发布的气象观测数据，并分别限制训练周期长度、训练流域数量以及输入序列长度。我们量化了额外训练数据如何改善预测，以及对于每种训练集规模应向模型输入多少天前的前驱强迫以获得最佳预测。此外，我们的研究结果表明，基于树和基于 LSTM 的模型在小型数据集上提供准确度相近的预测，而在给定更多训练数据时 LSTM 更优。
引用
@article{arxiv.1911.07249,
title = {The Proper Care and Feeding of CAMELS: How Limited Training Data Affects Streamflow Prediction},
author = {Martin Gauch and Juliane Mai and Jimmy Lin},
journal= {arXiv preprint arXiv:1911.07249},
year = {2020}
}
备注
13 pages, 3 figures