水文逆模型中的不确定性量化
机器学习
2023-10-04 v1 人工智能
应用统计
摘要
在水文学中，由于流域特征信息（如土壤地质和地貌）的有限可得性，径流建模仍是一项具有挑战性的任务。这些特征可能因测量误差而含有噪声，或可能完全缺失。为克服这一挑战，我们提出了一种知识引导的概率逆建模方法，用于从更易获得的径流和气象数据中恢复物理特征。我们将我们的框架与用于估计河流域特征的最先进逆模型进行比较。我们还表明，与使用原始流域特征值相比，这些估计值改进了径流建模。我们的逆模型在逆模型（流域特征估计）的 R 上提升了 3%，在前向模型（径流预测）上提升了 6%。我们的框架还提供了改进的可解释性，因为它可以量化逆模型和前向模型中的不确定性。不确定性量化通过提供关于模型预测可靠性和局限性的额外见解，在提升机器学习模型的可解释性方面发挥着关键作用。在我们的分析中，我们评估了不确定性估计的质量。与基线不确定性量化方法相比，我们的框架在认知不确定性的离散度上提升了 10%，在覆盖率上提升了 13%。这些信息可以帮助利益相关者理解与预测相关的不确定性水平，并提供对潜在结果的更全面视角。
引用
@article{arxiv.2310.02193,
title = {Uncertainty Quantification in Inverse Models in Hydrology},
author = {Somya Sharma Chatterjee and Rahul Ghosh and Arvind Renganathan and Xiang Li and Snigdhansu Chatterjee and John Nieber and Christopher Duffy and Vipin Kumar},
journal= {arXiv preprint arXiv:2310.02193},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2210.06213