.png){kind=icon}
返回
An explainable Bayesian gated recurrent unit model for multi-step streamflow forecasting
.png){kind=icon}
OA
AI
DOI：10.1016/j.ejrh.2024.102141.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
研究区域：在中国长江中下游流域
研究重点：我们提出了一种可解释的贝叶斯门控循环单元（EB-GRU）模型，用于可靠的多步径流预测。该模型将贝叶斯推理引入门控循环单元（GRU）中，以量化径流预测的不确定性，并使用SHapley Additive exPlanations（SHAP）方法分析水文学气象指标对径流预测的重要性。EB-GRU通过预测长江中下游流域湖口和启丽山站的径流，并与其他模型（如Transformer（TSF）、多层感知器（MLP）和支持向量机（SVM））进行比较。
该区域的新水文见解：比较结果表明，所提出的EB-GRU的性能优于TSF，除了湖口站1天提前期的径流预测。EB-GRU在所有提前期均优于MLP和SVM，尤其是在较短提前期，凸显了其在捕捉短期径流动态方面的有效性。不确定性量化分析显示，输入数据中的噪声是模型预测总体不确定性的主要来源，而在洪水季节，由模型引起的不确定性显著增加。此外，SHAP方法的应用揭示了水位在径流预测中的关键作用。
Keyword:
Gated recurrent unit
Bayesian deep learning
SHapley Additive exPlanations
Multi-step streamflow forecasting
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:
1.2K
被引数:
7.5K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏
分享收藏
查看更多内容