Attention-based Models for Snow-Water Equivalent Prediction
Krishu K. Thapa, Bhupinderjeet Singh, Supriya Savalkar, Alan Fern, Kirti Rajagopalan, Ananth Kalyanaraman
雪水当量(SWE) - 如果积雪融化,可用水量 - 是水管理机构用于进行灌溉,防洪,发电和干旱管理决策的关键决策变量。 SWE值在空间上有所不同 - 受天气,地形和其他环境因素的影响。 虽然每日SWE可以通过具有必要仪器的雪遥测(SNOTEL)站进行测量,但此类站在空间上是稀疏的,需要插值技术来创建时空数据。 虽然最近的研究已经探索了SWE预测的机器学习(ML),但最近的一些ML进展尚未考虑。 本文的主要贡献是探索一个这样的ML进步,注意力机制,为SWE预测。 我们的假设是,注意力具有独特的能力来捕获和利用可能存在于各个位置或时间光谱(或两者)的相关性。 我们为SWE预测提出了基于注意力的通用建模框架,并将其调整以捕获空间注意力和时间注意力。 我们在美国西部323个SNOTEL站的实验结果表明,我们基于注意力的模型优于其他机器学习方法。 我们还提供了关键的结果,强调了在这种情况下空间和时间注意力之间的差异,以及用于生成空间完整的SWE地图的部署路线图。
Snow Water-Equivalent (SWE) – the amount of water available if snowpack is melted – is a key decision variable used by water management agencies to make irrigation, flood control, power generation and drought management decisions. SWE values vary spatiotemporally – affected by weather, topography and other environmental factors. While daily SWE can be measured by Snow Telemetry (SNOTEL) stations with requisite instrumentation, such stations are spatially sparse requiring interpolation techniques...
