未监测站点中的时间序列预测：水资源中机器学习技术的调查
摘要：利用机器学习进行水资源科学中未监测站点的动态环境变量预测一直是一个长期存在的挑战。全球大部分淡水资源缺乏对管理所需的关键环境变量的充分监测。然而，由于过去几十年气候和土地利用变化以及其对水资源的影响，对河流流量和水质等水文变量进行广泛预测的需求变得越来越迫切。现代机器学习方法通过从大规模、多样化的数据集中提取信息的能力，越来越多地胜过基于过程和经验模型的水文时间序列预测方法。我们对机器学习在流量、水质和其他水资源预测方面的相关最新应用进行了回顾，并讨论了如何改进机器学习的使用，包括将流域特征纳入深度学习模型、迁移学习和将过程知识纳入机器学习模型的新方法。该分析表明，过去的大部分工作集中在美国用多个站点构建的深度学习框架上进行日尺度预测，但是各种机器学习方法之间的比较很少且不足。我们确定了一些关于未监测站点时间序列预测的开放性问题，包括纳入动态输入和站点特征、机械理解和空间背景以及现代机器学习框架中的可解释人工智能技术。
作者：Jared D. Willard, Charuleka Varadharajan, Xiaowei Jia, Vipin Kumar
论文ID：2308.09766
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22