面向Limpopo河流域的实用化流量预测：基于长短期记忆网络

稳健的水文模拟是可持续发展、水资源管理战略和气候变化适应的关键。近年来，深度学习方法已被证明在水文径流模拟任务中超越机械模型。大规模水文数据集的普及也推动了这些方法的采纳，这些数据集包含观测径流和气象驱动因子，以及地质和地形描述符。深度学习方法推断的雨量-径流特征被证明可跨流域泛化，受益于大数据集中的数据多样性。尽管如此，针对非洲流域的应用仍有限。由于稀疏或缺乏所需的时空观测数据，导致深度学习方法在非洲河流域的采用受限。我们因此调查在跨境Limpopo河流域上应用深度学习模型（包括LSTM）进行水文径流模拟的可能性，强调针对数据稀缺地区的应用。我们进行了若干计算实验，主要关注不同变更LSTM模型输入数据对性能的影响。结果确认，数据约束仍是非洲河流域深度学习应用的最大障碍。我们进一步概述了人为影响对数据驱动建模的影响，这是数据驱动大规模水文方法中常被忽视的一个方面，并探讨了在更小数据集下进行模型适应的解决方案。此外，我们包括关于季节性水文径流预测的未来工作建议，以及直接比较或包含SWAT模型输出的建议，以及架构改进。