基于网格的地理时空数据中用于知识发现的迁移学习方法
机器学习
2021-11-03 v3
摘要
提取并细致分析地理时空特征对于识别诸如洪水等自然事件背后复杂成因至关重要。关于导致气候变化的隐藏因素证据有限，使得准确预测区域径流具有挑战性。此外，复杂的地理时空环境数据爆炸式增长，最先进的神经网络对每个新区域都需重复学习，这凸显了对新的计算高效方法、先进计算资源以及在大量可用监测数据上广泛训练的需求。因此，我们提出 HydroDeep，一种可有效复用的预训练模型，通过有效捕捉不同区域固有的地理时空差异来解决将知识从一个区域迁移到另一个区域的问题。进一步，我们在 HydroDeep 上提出四种用于时空可解释性的迁移学习方法，在新区域中将 Nash-Sutcliffe 效率提升 9% 至 108%，同时时间减少 95%。
引用
@article{arxiv.2110.00841,
title = {Transfer Learning Approaches for Knowledge Discovery in Grid-based Geo-Spatiotemporal Data},
author = {Aishwarya Sarkar and Jien Zhang and Chaoqun Lu and Ali Jannesari},
journal= {arXiv preprint arXiv:2110.00841},
year = {2021}
}