.png){kind=icon}
返回
Harnessing Generative Deep Learning for Enhanced Ensemble Data Assimilation
.png){kind=icon}
OA
AI
DOI：10.1029/2025WR040078.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水文建模面临着来自各种不确定性来源、地球系统本身的非线性和高维性的挑战。数据同化（DA）方法已知可提高建模精度并处理不确定性；然而，它们可能受限于关于误差分布的约束性假设以及与更新模型预测变量相关的挑战，从而影响后验分布的表示。为应对这些挑战，我们提出了一种新的水文数据同化方法，该方法借鉴了数据同化和生成式深度学习在理论背景上的相似性。所提出的水文生成式集合数据同化（HydroGEnDA）利用基于深度学习的自动编码器和深度生成模型，在统一的潜在空间中进行数据同化，并最终在物理空间中采用重采样方法。HydroGEnDA利用自动编码器将数据转换到潜在空间，并利用生成模型学习模型状态的基础分布，然后将此分布的采样结果与观测数据相结合。最后，物理空间中的重采样进一步提高了数据同化方法的性能。HydroGEnDA包含一个不依赖观测的离线训练阶段，利用水文模型输出训练深度学习模型。训练阶段完成后，推理阶段将同化观测数据以更新状态。该方法通过Lorenz-63模型的多组不同观测噪声水平的合成实验以及使用耦合的SNOW-17和SAC-SMA模型在多样化流域中的真实水文案例研究进行了测试。结果表明，HydroGEnDA在两类实验中均优于以往的数据同化方法。
Keyword:
hydrologic forecasting
data assimilation
deep learning
generative AI
autoencoders
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:
891
被引数:
6.9W
机构
引用论文
分享收藏Assimilation of Sentinel‐Based Leaf Area Index for Modeling Surface‐Ground Water Interactions in Irrigation Districts基于sentinel的叶面积指数的同化，用于模拟灌区的地表水与地下水相互作用OAAI
OAAI分享收藏Toward a reliable prediction of seasonal forecast uncertainty: Addressing model and initial condition uncertainty with ensemble data assimilation and Sequential Bayesian Combination实现对季节性预报不确定性的可靠预测: 通过集合数据同化和顺序贝叶斯组合来解决模型和初始条件的不确定性.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏
查看更多内容