.png){kind=icon}
返回
A Hierarchical Deep Learning Framework for Runoff Prediction Using Raster-Based Spatial Representations
.png){kind=icon}
OA
AI
DOI：10.1029/2026wr043815.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大样本深度学习径流模型主要依赖聚合流域属性，这可能掩盖具有信息量的空间模式。利用美国连续的531个流域，我们开发了一个分层深度学习框架，该框架通过从流域平均栅格聚合到固定网格和自适应多块尺度的卷积神经网络编码来表示静态流域属性，从而提供一个受控测试，以确定越来越明确的空间编码是否提高了对无测站流域的时间泛化能力和空间可迁移性。流域平均栅格的性能与精选属性表相当，并在无测站流域预测基准下显示出轻微优势。通过固定网格编码纳入中间空间结构，相较于流域平均聚合，提供了最明显的时间分割效益，其中26.2%的流域显示出不确定性支持的纳什-斯图尔蒂杰效率改进，6.0%的流域显示出不确定性支持的退化，尽管这种优势在空间保留测试中减弱。在空间保留测试中，诊断分析表明，固定网格编码在更高海拔、更陡的流域中往往优于流域平均栅格聚合。自适应多块层面进一步揭示，更精细的空间表示并不一定能提供一致的增益，突显了空间细节与计算需求之间的权衡。总体而言，该框架为大型样本深度学习径流预测中选择基于栅格的空间表示提供了实用指导。
Keyword:
runoff prediction
spatial encoding
deep learning
large-sample hydrology
watershed characteristics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5
论文数:
884
被引数:
6.9W
机构
引用论文
Assessing the Impact of Geological Map Detail on Process-Based and Data-Driven Hydrological Models评估地质图细节对基于过程和数据驱动的水文模型的影响
OAAI
.png){kind=icon}
OAAI分享收藏Version 3 of the Global Aridity Index and Potential Evapotranspiration Database全球干旱指数和潜在蒸散量数据库第3版OAAI
OAAI分享收藏WorldClim 2: new 1-km spatial resolution climate surfaces for global land areasWorldClim 2: 全球陆地区域新的1公里空间分辨率气候表面
PREAI
分享收藏分享收藏Runoff Forecasting Using Machine-Learning Methods: Case Study in the Middle Reaches of Xijiang RiverOAAI
OAAI分享收藏
查看更多内容