.png){kind=icon}
返回
Developing an explainable deep learning module based on the LSTM framework for flood prediction
.png){kind=icon}
OA
AI
DOI：10.3389/frwa.2025.1562842.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
长短期记忆（LSTM）网络因其能够捕捉长期依赖关系、处理非线性关系以及整合多源数据的能力，已成为水文学建模中不可或缺的工具，但其黑箱特性导致可解释性有限。为解决此限制，我们提出在LSTM框架内构建一个可解释模块，该模块专门用于对美国连续领土上531个流域的洪水预测。该方法引入了一个简化的门控模块，该模块置于输入数据与LSTM网络之间，提供了模块模式识别过程的透明视图。该门控模块能够方便地识别关键变量和最优回溯窗口，并将门控信息聚类为四类：降水和温度的短期与长期影响。这种分类加深了我们对该模块如何利用输入数据的理解，并揭示了洪水预测中的潜在机制。本方法模块化设计显示出与Saliency方法的高度相关性，验证了其解释机制的可信度，在为LSTM提供可比可解释性特征的同时，阐明了水文学模型认为最具信息量的关键变量和最优回溯窗口，并为该领域的AI辅助科学发现开辟了新途径。
Keyword:
LSTM
explainable AI
interpretability
gated module
catchment analysis
flood mechanisms
flood prediction
期刊
F
IF:
2.8
论文数:
401
被引数:
2.1K
机构
引用论文
.png){kind=icon}
A Transdisciplinary Review of Deep Learning Research and Its Relevance for Water Resources Scientists深度学习研究的跨学科回顾及其对水资源科学家的意义
OAAI
OAAI分享收藏分享收藏
查看更多内容