未监测站点的时间序列预测：水资源中的机器学习技术综述

在未监测站点预测动态环境变量仍是水资源科学中长期存在的挑战。世界上大多数淡水资源的 critical 环境变量监测不足，无法满足管理需求。然而，由于过去几十年的气候和土地利用变化及其对水资源的影响，对河流流量和水质等水文变量进行广泛预测的迫切性日益增加。现代机器学习方法能从大型多样数据集中提取信息，在 hydrologic 时间序列预测方面日益优于基于过程的模型和经验模型。我们回顾了机器学习在径流、水质和其他水资源预测中的相关前沿应用，并讨论了利用将流域特征纳入深度学习模型、迁移学习以及将过程知识融入机器学习模型等新兴方法来改进机器学习使用的机遇。此处分析表明，先前多数努力集中于构建于多站点的深度学习框架，用于美国日尺度预测，但不同类别机器学习方法间的比较很少且不充分。我们确定了未监测站点时间序列预测的若干开放问题，包括纳入动态输入与站点特征、机制理解与空间上下文，以及现代机器学习框架中的可解释 AI 技术。