机构名称：
¥ 1.0
摘要：美国国家海洋和大气管理局利用国家水模型 (NWM) 为美国 270 万条河流位置开发了非常高分辨率的流量预报。然而，量化未测量位置的不确定性和预测可靠性存在相当大的挑战。提出了一种数据科学方法来应对这一挑战。分析了 2018 年 12 月至 2021 年 8 月阿拉巴马州和佐治亚州的长期每日流量预报。使用标准确定性指标在 389 个观测到的 USGS 流量测量位置对预测进行评估。接下来，使用流域的生物物理特征对预测误差进行分组，包括排水面积、土地利用、土壤类型和地形指数。NWM 预测对于较大的森林流域比较小的城镇流域更为准确。NWM 预测大大高估了城镇流域的径流量。分类和回归树分析证实了预测误差对生物物理特征的依赖性。使用生物物理特征、NWM 预测作为输入，预测误差作为输出，开发了一个由六层 [深度学习 (DL)] 组成的密集连接神经网络模型。DL 模型成功地从在测量位置训练的领域中学习了位置不变的可迁移知识，并应用学习到的模型来估计未测量位置的预测误差。对测量数据进行时间和空间分割显示，在混合 NWM-DL 模型中，捕捉到预测范围内观测值的概率 (82% 6 3%) 比仅 NWM 预测 (21% 6 1%) 显著提高。注意到 DL 模型中过度受限的 NWM 预测与增加的预测不确定性范围之间存在权衡。
一种用于改进水文预报的混合物理-AI 模型
主要关键词
相关文件推荐
