相关实验视频
Updated: May 10, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
比较基于物理,概念和机器学习的模型来预测BMA的地下水位.
Thomas Wöhling, Alvaro Oliver Crespo Delgadillo1, Moritz Kraft1
1Chair of Hydrology, Dresden University of Technology (TUD), 01069, Dresden, Germany.
通过比较地下水模型,这项研究发现,虽然数据驱动的方法在单个井预测方面具有竞争力,但MODFLOW等基于物理的模型在同时预测多个井时表现出色.
科学领域:
- 水地质学和水资源管理
- 计算水文学计算水文学
- 环境科学中的机器学习
背景情况:
- 地下水位数据对于含水层管理和运营预测至关重要.
- 存在各种建模方法,从基于物理的方法到数据驱动的方法.
- 评估这些不同模型的性能对于有效的水资源管理至关重要.
研究的目的:
- 为了比较3D地下水流量模型 (MODFLOW) 与基因,转移函数和机器学习模型 (ML) 的预测性能,用于地下水位预测.
- 评估基于物理的模型是否在与个别优化的数据驱动模型相比,在多个井的综合预测中提供优势.
- 确定不同模型类适用于操作地下水位预测任务的适用性.
主要方法:
- 评估了MODFLOW,自身模型,转移函数模型,多层感知器,长短期记忆和随机森林模型.
- 在新西兰Wairau Aquifer的四个地下水位时间系列上测试模型.
- 采用贝叶斯模型的平均值来评估整体预测性能并导出模型权重.
主要成果:
- 数据驱动的模型在预测个别地下水井方面表现出了竞争力,甚至在校准范围之外.
- 没有一个单一的模型在所有预测场景中普遍优于其他模型.
- 基于物理学的MODFLOW受到了贝叶斯模型平均值的青,用于同时预测所有四个井,这表明其在集成系统表示中的强度.
结论:
- 数据驱动型号对于局部,单井地下水位预测是可行的.
- 基于物理的模型在集成的含水层管理和多井预测方面仍然具有显著的优势.
- 使用贝叶斯模型平均的合并预测有效地结合了各种模型的优势,突出了基于物理学的方法的持续重要性.
更多相关视频
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Typical Model Studies
Modeling and Similitude
Levels of Use of a GIS
Design Example: Creating a Hydraulic Model of a Dam Spillway
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Plane Potential Flows
Uniform...