机构名称：
¥ 1.0
灾难，包括洪水和干旱，是许多国家（尤其是巴西）的紧迫问题，因为它们造成了生命损失和经济损失。预计气候变化的影响会通过增加极端天气事件的频率和强度来加剧这一问题。因此，开发准确可靠的灾难预测模型对于减少这些事件的影响至关重要。基于机器学习（ML）的方法，例如神经网络，已广泛用于开发洪水和干旱预测预测模型。但是，这些模型通常缺乏透明度和解释性，从而使他们的预测背后的推理挑战。缺乏解释性限制了这些模型在实际情况下，利益相关者需要清晰可理解的信息以做出决定[1，2]。将物理和数学约束纳入ML模型可以提高准确性和解释性。物理定律，例如群众保护或节能，可以限制ML模型的输出，以确保它们遵守已知的物理原理。数学约束，例如将特定于领域的知识纳入模型，也可以提高其准确性和解释性。这项多学科工作概述了有关洪水和干旱预测中ML应用的物理和数学约束的文献。涵盖的方法范围从简单的群众保护策略到更复杂的方法，例如Lagrangean
人工智能中的物理和数学约束...
主要关键词
相关文件推荐
