Multi-Model Ensemble and Reservoir Computing for River Discharge Prediction in Ungauged Basins
Mizuki Funato and Yohei Sawada
尽管迫切需要准确的洪水预测和水管理,但许多地区缺乏足够的河流排放观测,限制了降雨径流分析的技能。 尽管存在许多基于物理和机器学习的模型,但在数据匮乏的条件下实现高精度、可解释性和计算效率仍然是一个重大挑战。 我们通过一种新的方法解决这一挑战,使用多模型集成和水库计算(RC)的多模型集成和水库计算(HYPER)进行预测。 我们的方法首先将贝叶斯模型平均(BMA)应用于43个“未经校准”的基于集水区的概念水文模型。 然后通过线性回归训练RC模型来纠正BMA输出中的错误,这是一个非迭代过程,可以确保高计算效率。 对于未计量的盆地,我们通过将它们与测量盆地的集水属性链接来推断所需的BMA和RC权重,从而创建一个可推广的框架。 我们使用来自日本87个流域的数据评估了HYPER。 在数据丰富的场景中,HYPER(Kling-Gupta效率,KGE的0.56)与基准LSTM(KGE 0.55)相比表现相当,但只需要5
Despite the critical need for accurate flood prediction and water management, many regions lack sufficient river discharge observations, limiting the skill of rainfall-runoff analyses. Although numerous physically based and machine learning models exist, achieving high accuracy, interpretability, and computational efficiency under data-scarce conditions remains a major challenge. We address this challenge with a novel method, HYdrological Prediction with multi-model Ensemble and Reservoir comput...