社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

HA.172 [机器学习] 基于深度学习的分布式陆面水文模型替代建模方法研究

Hydro90 • 1 年前 • 252 次点击  


作者简介|PROFILE


孙若辰 

学习经历:本硕博均就读于南京大学大气科学学院,2018年博士毕业


工作经历:2019年8月开始在河海大学水文学院从事博士后研究工作,出站后留校工作,现为河海大学副研究员。



主要研究方向:

陆面水文模拟及不确定性,水文大数据及机器学习


联系方式:sunrc@hhu.edu.cn


引文链接|CITATION


Sun, R., Pan, B., & Duan, Q.(2023). A surrogate modeling method for distributed land surface hydrological models based on deep learning. Journal of Hydrology, 624, 129944. 

https://doi.org/10.1016/j.jhydrol.2023.129944.


关键词|KEYWORDS


替代模型,VIC,深度学习,土壤模型


摘要|ABSTRACT


利用基于DenseNet的深度卷积自回归神经网络,近似分布式陆面水文模型对于状态变量的模拟过程,从而实现替代模型的构建。研究以VIC模型在淮河上游流域模拟土壤湿度为例,发现利用该深度学习模型不仅可以抓住VIC模拟的时间变化特征,还能比LSTM更好地刻画原始变量的空间分布特征。


陆面水文模型通常包括大量随空间变化的参数,提高模型的准确性和可靠性通常要依赖于参数不确定性量化。由于模型的运行成本越来越高,传统的不确定性量化方法正变得难以适用。近年来,基于替代模型的参数不确定性研究方法,尤其是参数优化方法变得愈加流行。传统替代模型多是利用机器学习方法量化模型参数和目标函数之间的关系,然而这对于利用模型在大尺度区域进行长时间模拟的情景存在着很多缺陷。例如,传统机器学习方法无法处理高维输入输出之间的关系,量化参数和目标函数之间关系的方式不够灵活。
深度学习模型在水文领域的广泛应用为解决一些瓶颈问题提供了新的机遇。本研究在前人研究的启发下,利用基于DenseNet的深度卷积自回归神经网络,近似分布式陆面水文模型对于状态变量的模拟过程,从而能够有效解决传统替代模型中存在的问题,为后续大尺度陆面水文模型的分布式优化打下基础。

该方程可被看作是陆面水文模型的简化结构方程,即模型模拟某一时刻的状态变量由模型输入、模型参数以及前一时刻模拟的状态变量共同决定。本研究所构建的替代模型ARnet采用基于DenseNet的深度卷积编码器解码器架构,充分利用深度卷积层在高维图像处理和空间特征提取中的优势。此外,加入前一时刻输出变量的自回归策略使得网络能够有效处理时变输入和输出之间的动态关系。



图1:替代模型(ARnet)网络示意图


尽管不像LSTM显式地加入了时间序列的信息,但是ARnet中的自回归策略能够保留之前模拟中土壤湿度的信息,从而较好地刻画其时间变化特征。


图2:测试期某随机格点VIC与两种替代模型模拟土壤湿度的时间序列比较


研究利用FSS评分来检验替代模型模拟土壤湿度空间场和VIC模拟土壤湿度空间场之间的相似程度,FSS越接近1越好。ARnet在还原原始模型空间分布上的表现要明显优于LSTM。


图3:测试期平均土壤湿度场FSS(Fraction Skill Score)检验评分


ARnet模型近似原始模型模拟结果时空变化特征上的准确性以及其处理高维数据的能力,对于后续推动大尺度分布式陆面水文模型参数不确定性量化具有较高的潜力。


相关推荐|RECOMMENDATIONS


[1] Sun, R., Duan, Q., Huo, X. (2021). Multi-Objective Adaptive Surrogate Modeling-Based Optimization for Distributed Environmental Models Based on Grid Sampling. Water Resources Research, 57(11), e2020WR028740. https://doi.org/10.1029/2020WR028740.

[2] Tsai, W.P., Feng, D., Pan, M., Beck, H., Lawson, K., Yang, Y., Liu, J., Shen, C. (2021). From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling. Nature Communications, 12(1), 5988. https://doi.org/10.1038/s41467-021-26107-z.

[3] Mo, S., Zhu, Y., Zabaras, N., Shi, X., Wu, J. (2019). Deep Convolutional Encoder-Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media. Water Resources Research, 55(1), 703–728. https://doi.org/10.1029/2018WR023528.

撰稿: 孙若辰  | 编辑: 马孟良 | 校稿: Hydro编委


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/163723
 
252 次点击