可靠地模拟极端事

ditikhatun11

训练单个模型并将其应用于没有可用数据的未测量流域来帮助解决这个问题。通过这种方式，模型可以在全球范围内进行训练，并且可以对任何河流位置进行预测。 洪水预报-5 一个国家公开可用的水流数据量与国家 GDP 之间存在逆（双对数）相关性。来自全球径流数据中心的径流数据。 我们的学术合作促成了机器学习研究，该研究开发了估计河流预测不确定性的方法，并展示了机器学习河流预测模型如何综合来自多个数据源的信息。他们证明，这些模型可以件，即使据的一部分。为了为开放科学做出贡献，我们于 2023 年在《自然科学数据》中开源了社区驱动的大样本水文学数据集。

河流预报 印度尼西亚电报吗数据库 模型 国家和国际机构用于洪水预报和河流建模的大多数水文模型都是状态空间模型，仅取决于日常输入（例如降水、温度等）和系统的当前状态（例如土壤湿度、积雪等）。 是状态空间模型的一种变体，通过定义表示单个时间步长的神经网络来工作，其中处理输入数据（例如当前天气状况）以生成该时间步长的更新状态信息和输出值（流） 。 LSTM 按顺序应用来进行时间序列预测，从这个意义上说，其行为类似于科学家通常概念化水​​文系统的方式。根据经验，我们发现LSTM在河流预测任务中表现良好。 洪水预报-4 LSTM 的示意图，它是一种按时间顺序运行的神经网络。可以在此处找到易于理解的入门读物。




我们的河流预报模型使用两个连续应用的STM 摄取截至当前时间（或更确切地说，预报发布时间）的历史天气数据（动态后报特征）提取状态以及预测的天气数据（动态预测特征）来做出未来的预测。将一年的历史天气数据输入到后报 LSTM 中，将 7 天的预报天气数据输入到预报 LSTM 中。静态特征包括流域的地理和地球物理特征，这些特征被输入到后报和预测 LSTM 中，并允许模型学习各种类型流域的不同水文行为和响应。 预测 LSTM 的输出被输入到“头”层，该层使用混合密度网络来生成概率预测（即，水流上概率分布的预测参数）。具体来说，该模型在每个预测时间步预测重尾概率密度函数（称为非对称拉普拉斯分布）混合的参数。结果是一个混合密度函数，称为可数非对称拉普拉斯混合(CMAL) 分布，它表示特定时间特定河流中体积流量的概率预测。