资料来源：水资源研究开发学习（DL）的承诺和吸引力是所有可用数据的算法合并，以实现复杂系统的模型概括和预测。因此，有必要设计多元训练和预测任务，以便确定不同空间和时间尺度上变量之间的所有相关连接。 [2025]提出了一个多任务长期记忆（LSTM）神经网络，以预测多个水文变量的时间序列。在应用方法的应用中，通过在预测任务中结合不同的变量并在它们之间共享信息中，可以提高身体一致性和准确性。作者在各种预测练习中的流量和蒸散措施（包括数据稀缺条件）中证明了这一点。该研究是DL内部的创新如何实现未来概括的水文模型和对复杂系统的预测的一个很好的例子。它还隐含地鼓励水文学家扩大其DL方法以进行多任务处理。毕竟，有大量的数据和计算资源可用于实现DL的承诺。引用：Ouyang，W.，Gu，X.，Ye，Ye，L.，Liu，X。，＆Zhang，C。（2025）。通过多任务学习探索水文变量互连并增强数据限制盆地的预测。水资源研究，61，E2023WR036593。 https://doi.org/10.1029/2023wr036593 - Stefan Kollet，编辑，水资源研究文本©2025。作者。 cc by-nc-nd 3.0 except（否则指出，图像都具有版权。未经版权所有者明确许可的任何重复使用将被禁止。相关