.png){kind=icon}
返回
A novel hybrid deep learning model with dynamic parameterization for accurate flood simulation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jhydrol.2026.135182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出一种新型的混合动态参数网络（HyDPNet），将物理过程嵌入深度学习框架。
• 将新安江模型的微分形式整合到循环神经网络结构中。
• 采用LSTM后处理器捕捉长期依赖关系并改进残差非线性动力学。
• 所提出的模型在基准模型上展现出更优性能，具有更高的效率和更低的误差。
Keyword:
HyDPNet
Xinanjiang model
LSTM
flood simulation
dynamic parameterization
期刊
IF:
6.3
论文数:
2.4W
被引数:
9.8W
机构
暂无机构信息
引用论文
A Transformer-Based Framework for Parameter Learning of a Land Surface Hydrological Process Model
OAAI
OAAI分享收藏From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Global sensitivity analysis in hydrological modeling: Review of concepts, methods, theoretical framework, and applications水文建模中的全球敏感性分析: 概念，方法，理论框架和应用综述JOURNAL OF HYDROLOGYOAAI
JOURNAL OF HYDROLOGYIF6.3
OAAI分享收藏Streamflow Prediction in Human‐Regulated Catchments Using Multiscale Deep Learning Modeling With Anthropogenic Similarities基于人类活动相似性的多尺度深度学习模型在受人类活动调节流域的径流预测中的应用OAAI
OAAI分享收藏Calibration of Xinanjiang model parameters using hybrid genetic algorithm based fuzzy optimal modelOAAI
OAAI分享收藏Improving flood forecast accuracy based on explainable convolutional neural network by Grad-CAM method基于grad-cam方法的可解释卷积神经网络提高洪水预报精度JOURNAL OF HYDROLOGYOAAI
JOURNAL OF HYDROLOGYIF6.3
OAAI分享收藏分享收藏
查看更多内容