Physics Guided Machine Learning Methods for Hydrology
Ankush Khandelwal, Shaoming Xu, Xiang Li, Xiaowei Jia, Michael Stienbach, Christopher Duffy, John Nieber, Vipin Kumar
流流预测是水文领域的主要挑战之一,这是由于流流生成背后的多个非线性物理机制之间的复杂相互作用。 虽然基于物理的模型植根于对物理过程的丰富理解,但仍然存在显着的性能差距,可以通过利用机器学习的最新进展来解决。 这项工作的目标是将我们对水文过程和约束的理解纳入机器学习算法,以提高预测性能。 此问题的传统 ML 模型预测使用天气驱动器作为输入的流流。 然而,有多个中间过程相互作用,以产生来自天气驱动因素的流流。 该方法的关键思想是明确模拟这些中间过程,这些过程使用多任务学习框架将天气驱动因素连接到流流。 虽然我们提出的方法需要在训练过程中提供有关中间过程的数据,但只需要天气驱动器来预测测试阶段的流流。 我们评估该方法在位于明尼苏达州东南部根河流域南岸的集水区SWAT模型生成的模拟数据集上的有效性。 虽然本文的重点是提高单个集水区的数据的性能,但这里介绍的方法适用于基于ML的方法,该方法使用来自多个集水区的数据来提高每个集水区的性能。
Streamflow prediction is one of the key challenges in the field of hydrology due to the complex interplay between multiple non-linear physical mechanisms behind streamflow generation. While physics based models are rooted in rich understanding of the physical processes, a significant performance gap still remains which can be potentially addressed by leveraging the recent advances in machine learning. The goal of this work is to incorporate our understanding of hydrological processes and constra...
