ForeSWE: Forecasting Snow-Water Equivalent with an Uncertainty-Aware Attention Model
Krishu K Thapa, Supriya Savalkar, Bhupinderjeet Singh, Trong Nghia Hoang, Kirti Rajagopalan, Ananth Kalyanaraman
在雪水当量(SWE)知识下,在雪水流域做出了各种复杂的水资源管理决策,这是广泛用于估计积雪含水量的关键措施。 然而,预测SWE具有挑战性,因为SWE受到包括地形和一系列环境条件在内的各种因素的影响,因此被观察到是时空变量。 经典的SWE预测方法没有充分利用这些空间/时间相关性,也没有提供不确定性估计 - 这对决策者来说可能具有重大价值。 在本文中,我们介绍了ForeSWE,一种新的概率时空预测模型,集成了深度学习和经典概率技术。 由此产生的模型具有注意力机制的组合,以整合时空特征和相互作用,以及高斯过程模块,该模块提供了预测不确定性的原理量化。 我们根据美国西部512个雪地遥测(SNOTEL)站的数据来评估模型。 结果显示,与现有方法相比,预测准确性和预测间隔都有显著改善。 这些结果还有助于强调不同方法之间的不确定性估计的有效性。 总的来说,这些发现为水管理界的部署和反馈提供了一个平台。
Various complex water management decisions are made in snow-dominant watersheds with the knowledge of Snow-Water Equivalent (SWE) – a key measure widely used to estimate the water content of a snowpack. However, forecasting SWE is challenging because SWE is influenced by various factors including topography and an array of environmental conditions, and has therefore been observed to be spatio-temporally variable. Classical approaches to SWE forecasting have not adequately utilized these spatial/...
