.png){kind=icon}
返回
A Pure Data-Driven Fully Distributed Model for Spatially Consistent Streamflow Prediction
.png){kind=icon}
OA
AI
DOI：10.1029/2026gl122902.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
径流预测对于水资源管理和洪水缓解至关重要，但在大型流域中由于空间异质性而面临挑战。机器学习（ML）模型已广泛应用于径流预测，通常依赖明确的河道演算模块，而纯ML模型的潜力仍未充分探索。本研究提出了一种纯ML模型（卷积实体感知长短期记忆网络）用于分布式径流预测。在亚马逊流域50个水文站点的空间交叉验证中，模型的中位数Nash-Sutcliffe效率系数为0.73，R2为0.84，与含河道演算模块的基准模型相当或更优。该模型降低了年峰值流量偏差（APFB=0.12），并准确再现了空间自相关模式（Pearson's r＞0.6，Moran's I＞0.8，Geary's C＜0.2），表明实现了空间一致的网格尺度径流预测。这些发现表明，纯数据驱动的ML模型在无测站流域的分布式径流预测中具有潜力，同时确保了空间一致性。
Keyword:
fully distributed model
convolutional entity-aware LSTM
pure ML model
ungauged basin prediction
grid level
streamflow prediction
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:
4.6
论文数:
2.6K
被引数:
13.6W
机构
引用论文
Generating Ensemble Streamflow Forecasts: A Review of Methods and Approaches Over the Past 40 YearsOAAI
OAAI分享收藏A hybrid deep learning algorithm and its application to streamflow prediction一种混合深度学习算法及其在流预测中的应用.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏On the development of regionalization relationships for lumped watershed models: The impact of ignoring sub-basin scale variabilityJOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏From Lumped to Spatially Distributed Hydrologic Models: A Generalizable Data‑Driven Framework Across North America从集总式到空间分布式水文模型：一种适用于北美地区的可推广的数据驱动框架
IF0
PREAI
分享收藏
查看更多内容