WRR: 深度学习用于气候变化下的水文预测

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。

以上内容英文原文发表于AGU Eos Editors' Highlights，中文翻译仅供参考。

点评编辑：

Stefan Kollet, Editor, Water Resources Research

原文链接：

https://eos.org/editor-highlights/deep-learning-for-hydrologic-projections-under-climate-change

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。