Approaches for enhancing extrapolability in process-based and data-driven models in hydrology

要約

プロセスベースでデータ駆動型の水文学モデルの適用は、現代の水文学研究、特に流出、蒸発散量 (ET)、土壌水分などの主要な水循環変数を予測する場合に極めて重要です。
これらのモデルは、水資源管理、洪水予測、生態保護に科学的根拠を提供します。
プロセスベースのモデルは流域の水文学プロセスの物理メカニズムをシミュレートするのに対し、データ駆動型モデルは大規模なデータセットと高度な機械学習アルゴリズムを活用します。
このペーパーでは、両方のモデル タイプの外挿可能性を評価および強化するための方法をレビューおよび比較し、その見通しと限界について説明しました。
主要な戦略には、非ゲージ領域でのモデルのパフォーマンスを評価するための、リーブワンアウト相互検証および類似性に基づく手法の使用が含まれます。
ディープラーニング、転移学習、ドメイン適応技術も、データがまばらな極端な条件下でのモデル予測を改善する可能性が期待されています。
水文モデルの世界的な適用性と信頼性を強化するには、学際的なコラボレーションと継続的なアルゴリズムの進歩も重要です。

要約(オリジナル)

The application of process-based and data-driven hydrological models is crucial in modern hydrological research, especially for predicting key water cycle variables such as runoff, evapotranspiration (ET), and soil moisture. These models provide a scientific basis for water resource management, flood forecasting, and ecological protection. Process-based models simulate the physical mechanisms of watershed hydrological processes, while data-driven models leverage large datasets and advanced machine learning algorithms. This paper reviewed and compared methods for assessing and enhancing the extrapolability of both model types, discussing their prospects and limitations. Key strategies include the use of leave-one-out cross-validation and similarity-based methods to evaluate model performance in ungauged regions. Deep learning, transfer learning, and domain adaptation techniques are also promising in their potential to improve model predictions in data-sparse and extreme conditions. Interdisciplinary collaboration and continuous algorithmic advancements are also important to strengthen the global applicability and reliability of hydrological models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google