相关实验视频
Updated: Jan 17, 2026

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
一个基于数据和专家的洪水知识模型,该模型基于对洪灾预测的Huber损失函数的开发
Haider Malik1, Jun Feng2, Pingping Shao2
1Key Laboratory of Water Big Data Technology of Ministry of Water Resources, Hohai University, 211100 Nanjing, China; College of Computer Sciences and Software Engineering, Hohai University, 211100 Nanjing, China; Department of Information Technology, Management Technical College, Southern Technical University, 61003 Basrah, Iraq.
这项研究引入了一种新的以知识为导向的模型,用于增强洪水预测. 通过将专家知识整合到损失函数中,该模型显著提高了洪水峰值预测的准确性.
科学领域:
- 水文和水资源水文与水资源
- 环境科学中的人工智能
- 地理空间数据分析.
背景情况:
- 当前数据驱动的洪水预测模型往往忽视了洪水动态的关键科学知识.
- 这种监督导致偏向于非洪水条件的模型,限制了它们在预测关键洪水峰值方面的有效性.
- 现有的方法难以准确地检测和预测极端洪水事件.
研究的目的:
- 开发一个综合数据驱动的洪水预测模型,将专家知识直接纳入培训过程.
- 通过通过科学洞察来引导模型来提高洪水峰值预测的准确性和有效性.
- 克服传统模型在检测和预测极端洪水事件方面的局限性.
主要方法:
- 开发了一种综合数据驱动模型,整合了时间分布式方法和空间注意力机制.
- 抽取时间特征使用长短期记忆 (LSTM) 和时间卷积网络 (TCN) 与时间注意力的组合.
- 专家知识通过修改的Huber损失函数被纳入,在训练期间优先预测洪水峰值.
- 该框架使用来自中国三个盆地的每6小时一次的水文气象数据进行了评估,重点是洪水峰值预测.
主要成果:
- 与传统的平均平方误差 (MSE) 和标准的休伯损失相比,知识引导损失函数表现出更高的性能.
- 拟议的模型在三个盆地中实现了从6.9-25%,27.7-88%,10.8-52%的平均绝对误差 (MAE) 的显著改善.
- 与基线模型相比,根平均平方误差 (RMSE) 减少了2.5-19.3%,14.3-73.4%和14.6-37.1%.
- 该模型在检测和预测洪水峰值事件方面表现出更高的效率,超过了各种既有的深度学习架构.
结论:
- 将专家知识直接集成到损失函数中是改善数据驱动模型中洪水峰值预测的有效策略.
- 拟议的复合模型利用时空注意力和知识导向损失,在洪水预测准确性和可靠性方面取得了重大进展.
- 这种方法为管理洪水风险和减轻其影响提供了更强大,更有效的工具.
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Applications of GIS: Disaster Management and Emergency Response
Design Example: Creating a Hydraulic Model of a Dam Spillway
Responses to Drought and Flooding
Typical Model Studies
Modeling and Similitude

