利用大型数据集支持无资料地区水文气象探索与预测的时间序列特征
统计方法学
2022-06-22 v2 应用统计
机器学习
摘要
基于回归的径流区域化框架围绕传统源自流域水文学、洪水频率分析及其相互作用的流域属性构建。在本工作中，我们偏离这一传统路径，提出并广泛研究了首批主要源自通用数据科学时间序列特征(更确切地说，源自种类繁多的此类特征)的基于回归的径流区域化框架。我们聚焦于28个特征，包括(偏)自相关、熵、时间变化、季节性、趋势、块状性、稳定性、非线性、线性、尖刺性、曲率等。我们针对来自511个流域的日温度、降水和径流时间序列估计了这些特征，并将其与传统地形、土地覆盖、土壤和地质属性在区域化背景下合并。降水和温度特征(例如降水时间序列的谱熵、季节性强度和滞后1自相关，以及温度时间序列的稳定性和趋势强度)被发现是许多径流特征的有用预测因子。传统属性(如流域平均高程)同样如此。预测因子与因变量间的关系也被揭示，而径流时间序列的谱熵、季节强度及若干自相关特征被发现比其他特征更具区域化特性。
引用
@article{arxiv.2204.06540,
title = {Time series features for supporting hydrometeorological explorations and predictions in ungauged locations using large datasets},
author = {Georgia Papacharalampous and Hristos Tyralis},
journal= {arXiv preprint arXiv:2204.06540},
year = {2022}
}