A Multitask Transfer Learning Framework for LSTM-Based Streamflow Forecasting

Almas Alzhanov

doi:10.1109/ACCESS.2026.3705788

A Multitask Transfer Learning Framework for LSTM-Based Streamflow Forecasting

2026-06-22

0

OA

AI

DOI：10.1109/ACCESS.2026.3705788

原文链接

原文求助

摘要

En 中文

可靠的径流预报支持从洪水预警到长期水资源规划等广泛的水管理决策。在受积雪影响的流域中，预报性能取决于对季节性积雪积累和融化的准确表征。迁移学习和多任务学习已被分别探索用于深度学习径流模型，但它们结合用于融雪驱动预报的应用仍缺乏充分理解。本研究提出了一种多任务迁移学习框架，在大型样本预训练和目标流域微调过程中，将雪水当量作为辅助预测目标整合到长短期记忆（LSTM）径流预测模型中。该框架通过四种受控训练配置进行评估，以评估迁移学习和辅助监督对整体和高流量预报性能的影响。本地单任务、本地多任务、基于迁移的单任务和基于迁移的多任务学习在30至365天四种输入序列长度下进行比较。模型在CAMELS-US数据集中30个保留的受积雪影响流域以及作为一个跨领域案例研究在东哈萨克斯坦的乌巴河流域进行评估。迁移学习将纳什-斯图尔茨效率中位数从本地单任务训练的0.65提高到0.77，在迁移过程中增加雪水当量监督进一步将其提高到0.79，相应的高流量偏差绝对值从56%降至33%，并在多任务监督下降至26%。在迁移学习框架中，辅助雪水当量监督产生了显著改进，在高流量偏差和峰值时间准确性方面收益最为明显。这些结果表明，具有物理意义的辅助目标在大型样本预训练中充当表征引导，改善了融雪驱动的高流量预报。

Keyword:

Multitask learning

transfer learning

LSTM

streamflow prediction

A Multitask Transfer Learning Framework for LSTM-Based Streamflow Forecasting

摘要

期刊

机构

引用论文