通过使用混合ViT-CNN框架提高阶段放电关系建模的准确性

科学领域:

• 水文和水资源工程 水文和水资源工程
• 环境科学中的人工智能

背景情况:

• 准确的河流流量预测对于洪水管理和水资源工程至关重要.
• 阶段-排放关系 (分级曲线) 对于水文建模至关重要,它将河流水位与排放联系起来.
• 模拟阶段-排放关系的传统方法在捕捉复杂的水文动态方面可能受到限制.

研究的目的:

• 利用先进的深度学习技术,模拟和预测纳哈德河的阶段-排放关系.
• 为了比较视觉变压器 (ViT),卷积神经网络 (CNN) 和新型混合ViT-CNN模型的性能.
• 通过基于时间序列分析的向量自回归 (VAR) 来优化模型输入,以增强流量模拟.

主要方法:

• 深度学习模型的应用:视觉转换器 (ViT) 和卷积神经网络 (CNN).
• 开发和评估混合ViT-CNN模型用于阶段-放电关系建模.
• 使用矢量自回归 (VAR) 以一次性步骤延迟为放电和阶段作为优化的模型输入.
• 使用以下指标进行性能评估:相关系数 (CC),纳什-萨特克利夫效率 (NSE),根平均平方误差 (RMSE) 和平均绝对误差 (MAE).

主要成果:

• 与单个ViT和CNN模型相比,混合ViT-CNN模型在预测河流排放方面表现出卓越的性能.
• 获得高评价分:CC=0.983,NSE=0.962,RMSE=0.178和MAE=0.071. 获得了高的评价分:CC=0.983,NSE=0.962,RMSE=0.178和MAE=0.071. 获得了高的评价分
• 时间序列分析和基于VAR的输入优化显著提高了模型模拟复杂流动模式的能力.

结论:

• 深度学习,特别是ViT-CNN混合方法,提供了一种强大的工具,可以提高阶段-放电关系预测的准确性.
• 这些发现突出了先进的人工智能技术在改善全球水文建模和洪水管理方面的潜力.
• 使用像VAR这样的方法进行优化输入选择对于最大限度地提高水文学深度学习模型的预测能力至关重要.