.png){kind=icon}
返回
HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting With a State Space Backbone
.png){kind=icon}
OA
AI
DOI：10.1029/2025wr043158.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期进展引入了扩散模型用于概率性径流预测，展示了强大的早期洪水预警能力。然而，当前实现依赖长短期记忆（LSTM）骨干网络和离散时间扩散公式。这留下了未解决的问题，即更高级的序列建模架构和连续时间扩散公式能否改进概率性径流预测。本研究中，我们开发了HydroDiffusion，一种基于扩散的概率预测框架，整合了仅解码器状态空间模型（SSM）骨干网络与连续时间基于分数的扩散公式。HydroDiffusion在美国连续48个州（CONUS）的CAMELS数据集中的531个流域进行了评估。我们将HydroDiffusion与具有LSTM骨干网络的两种扩散基准模型以及最近提出的基于扩散的径流模型（DRUM）进行了比较。结果显示，在观测气象强迫驱动下，HydroDiffusion实现了最强的实时预测精度。此外，在业务预测中，HydroDiffusion提供了比其LSTM基线模型更高的确定性及概率性预测能力。归因分析进一步表明，SSM骨干网络在湿润、植被密集、以蓄水为主导且水文记忆强的流域中表现优异，而其在干旱地区和复杂水文系统（如喀斯特和草原洼地流域）中的优势受限。这些结果确立了HydroDiffusion作为中范围径流预测的有效生成模型框架，既提供了新的建模基准，也为未来大陆尺度的概率水文预测研究奠定了基础。
Keyword:
probabilistic streamflow forecasting
deep learning
diffusion model
hydrologic modeling
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:
884
被引数:
6.9W
机构
引用论文
Ephemeral and intermittent runoff generation processes in a low relief, highly weathered catchmentOAAI
OAAI分享收藏An alternative ensemble streamflow prediction approach using improved subseasonal precipitation forecasts from the North America multi-model ensemble phase ii利用北美多模式集合第二阶段改进的亚季节降水预报的替代集合径流预测方法.png)
IF0
PREAI
分享收藏Propagation of soil moisture memory to streamflow and evapotranspiration in Europe土壤湿度记忆向欧洲径流和蒸散发的传播
IF0
PREAI
分享收藏分享收藏
查看更多内容