通过应用于大样本数据集的机器学习学习通用、区域与局部水文行为
机器学习
2019-11-12 v2 机器学习
摘要
区域降雨-径流建模是水文学中一个古老但大体仍未解决的问题。当前的问题是，传统水文模型在针对多个流域共同校准而非针对单一流域单独校准时，性能显著下降。本文中，我们提出一种使用长短期记忆网络（LSTM）的新颖数据驱动方法，并证明在“大数据”范式下情况未必如此。通过在 CAMELS 数据集的 531 个流域上，利用气象时间序列数据和静态流域属性训练单一 LSTM 模型，我们相比一组不同的水文基准模型显著提升了性能。我们提出的方法不仅显著优于区域校准的水文模型，也取得了比针对每个流域单独校准的水文模型更好的性能。此外，我们对标准 LSTM 架构提出一种改进，称为实体感知 LSTM（EA-LSTM），它允许学习流域相似性，并将其作为特征层嵌入深度学习模型中。我们表明，这种学习到的流域相似性与我们基于先验水文认知的预期相符。
引用
@article{arxiv.1907.08456,
title = {Towards Learning Universal, Regional, and Local Hydrological Behaviors via Machine-Learning Applied to Large-Sample Datasets},
author = {Frederik Kratzert and Daniel Klotz and Guy Shalev and Günter Klambauer and Sepp Hochreiter and Grey Nearing},
journal= {arXiv preprint arXiv:1907.08456},
year = {2019}
}