大数据可以通过转移学习到的水文关系,将深度学习应用到新的领域。
在水文预测和预报领域,深度学习(Deep Learning, DL)已被证明有用,并可与基于过程的建模方法相媲美。不过,深度学习是否适用于气候变化条件下的水文预测仍然是一个问题,这是因为在超出了过去气候值范围之外进行外推仍然是一个挑战,这是任何深度学习方法共同面临的问题。
Wi和Steinschneider[2022]用一种形式化的方法研究了长短期记忆网络(LSTM)在气候变化下进行径流预测的适用性。在该方法中,他们用加利福尼亚流域的历史数据对LSTM网络进行训练,并将径流预测结果与使用三种不同水文模型的模拟结果进行比较。结果表明,基于LSTM的预测在某些流域是不现实的。如果LSTM训练可以纳入来自基于物理的模型预测的额外输入,那么预测质量可能会得到提高。
使用多样化大数据训练长短期记忆网络,学习水文关系,并将其应用到未来,预测气候变化下的水文响应。
图片来源:Wi and Steinschneider[2022],图1
此外,通过使用之前训练过的美国大陆500多个流域的LSTM,作者表明,在训练中引入多样化的大数据是应对气候变化条件下水文预测挑战的关键。结果还表明,学习到的水文响应可以在流域之间迁移,这对水文预测和预报具有重要意义。
论文原文
扫码访问原文
https://doi.org/10.1029/2022WR032123
引用
Wi, S., & Steinschneider, S. (2022). Assessing the physical realism of deep learning hydrologic model projections under climate change. Water Resources Research, 58, e2022WR032123. https://doi.org/10.1029/2022WR032123
关于期刊
Water Resources Research 发表水文学,以及关于水资源的自然和社会科学的原创性研究论文和评论文章,包括水资源在物理、化学、生物学和生态学、公共卫生健康以及相关社会和政策科学中的角色,以及能推动水资源科学及其管理进步的方法论文章。期刊旨在提供对于水在地球系统中作用的广泛知识。
2021年影响因子: 6.159
5年影响因子: 6.391
从投稿到一审意见的中位数时间:79天
点击下方“阅读原文”访问Water Resources Research期刊网站,阅读更多精彩内容。
声明:欢迎转载、转发本号原创内容,可留言区留言或者后台联系小编(微信:gavin7675)进行授权。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及作品内容、版权和其他问题,请后台联系小编处理。
欢迎加入气象学家交流群
请备注:姓名/昵称-单位/学校-研究方向
★ ERA5-Land陆面高分辨率再分析数据(32TB)
★
NASA最新版本CMIP6降尺度数据集30TB
★ ERA5常用变量再分析数据(26TB)
★ EC数据商店推出Python在线处理工具箱
★ EC打造实用气象Python工具Metview
★ TRMM 3B42降水数据(Daily/3h)
★ 科研数据免费共享: GPM卫星降水数据
★ 气象圈子有人就有江湖,不要德不配位!
★ 请某气象公众号不要 “以小人之心,度君子之腹”!
★ 机器学习简介及在短临天气预警中的应用
★
AMS推荐|气象学家-海洋学家的Python教程
★ Nature-地球系统科学领域的深度学习及理解
★ 采用神经网络与深度学习来预报降水、温度等
还没有评论,来说两句吧...