基于天气图像时间序列的纯外生水位深度预测的时分深度学习模型
机器学习
2025-07-08 v2 人工智能
计算机视觉与模式识别
摘要
地下水资源是水循环中最重要的元素之一，因此开发准确预测它们的模型是可持续资源管理框架中的关键任务。深度学习（DL）模型在水文学中显示出极大的有效性，尤其是通过输入空间分布数据（例如栅格数据）。在许多地区，水文测量在时间上难以定期或周期性获取，且有时最后可用数据已不时最新。相反，天气数据由于显著影响水资源，通常更易获得且质量更高。具体而言，我们提出了两种不同的DL模型，用于仅使用外生天气图像时间序列预测格兰纳-迈尔（Grana-Maira）流域（意大利皮埃蒙特）的水位深度。为处理图像时间序列，两个模型都包含一个时分卷积神经网络（TDC），该网络将每个时间步骤上可用的图像编码为向量表示。第一个模型TDC-LSTM随后使用基于LSTM层的顺序模块来学习时序关系并输出预测。第二个模型TDC-UnPWaveNet则采用一种新版本的WaveNet架构，该架构被调整为输出一个比输入序列更短且完全在未来偏移的序列。为此目的，以及处理UnPWaveNet中不同的序列长度，我们设计了一个信道分布层，该层像时分一样作用于信道维度，即对输入的每个信道应用相同的运算。TDC-LSTM和TDC-UnPWaveNet都显示出了显著的性能。然而，两个模型侧重于不同的可学习信息：TDC-LSTM侧重于降低偏差，而TDC-UnPWaveNet侧重于时序动态，最大化相关性和KGE。
引用
@article{arxiv.2409.13284,
title = {Time Distributed Deep Learning Models for Purely Exogenous Forecasting: Application to Water Table Depth Prediction using Weather Image Time Series},
author = {Matteo Salis and Abdourrahmane M. Atto and Stefano Ferraris and Rosa Meo},
journal= {arXiv preprint arXiv:2409.13284},
year = {2025}
}