.png){kind=icon}
返回
Improving annual streamflow estimates using Budyko parameterization driven by catchment attributes
.png){kind=icon}
OA
AI
DOI：10.1016/j.hydroa.2026.100216.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Budyko框架被广泛用于推断长期水-能分配。其原始的统一参数限制了准确性，而局部校准的公式难以在无测站流域中应用。本研究开发了一种基于机器学习（ML）的参数化方法，将Budyko参数与流域属性联系起来，从而能够对有测站和无测站流域的蒸散发（ET）和径流量进行年度估算。使用671个CAMELS流域，我们使用Shuffled Complex Evolution（SCE）算法优化了六种Budyko型方程的参数，然后利用机器学习模型将其调整为流域属性。由此得到的基于属性的参数化方法，其蒸散发指数估计结果优于基于SCE的校准和校准后的SAC-SMA模型。在测试流域中应用时，该方法实现了0.67的年均径流KGE值，优于校准后的SAC-SMA（0.48）和站点特定的Budyko预测（0.61）。结果表明，这是一种可扩展的方法，可用于数据有限地区的年度水量平衡估算。
Keyword:
Budyko framework
Machine-learning
Catchment attributes
Ungauged basins
Evapotranspiration
Streamflow
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
J
IF:
3.1
论文数:
11
被引数:
0
机构
引用论文
.png){kind=icon}
Applications of XGBoost in water resources engineering: A systematic literature review (Dec 2018–May 2023)XGBoost在水资源工程中的应用: 系统文献综述 (2018年12月-2023年5月)
PREAI
分享收藏分享收藏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
查看更多内容