KNOU-Flood洪水预报在2099个流域实现预见期10天KGE提升41%
KNOU-Flood: Advancing global streamflow forecasting with lead-aware probabilistic machine learning
📖 AI 总结
本文提出KNOU-Flood，一种在AIFL开放配方基础上改进的全球径流概率预测方法。研究保留单层LSTM与两阶段迁移学习框架，但引入更长输入窗口（424天）、感知预见期的预报输入、在ECMWF HRES之外增加GraphCast作为第二预报源，并采用潜在噪声集成与公平CRPS训练。在2099个测试流域、2021至2023年数据上，KNOU-Flood在LT1和LT10的中位KGE'分别达0.65和0.48，优于AIFL复现基线的0.62和0.34，且在全部十个预见期上均有显著提升。研究发现，相同权重下LT10的KGE'会因预报输入方式不同而在0.18至0.34间变化，表明AIFL报告的预见期衰减很大程度上源于输入协议而非模型本身；概率头贡献最大，其次为GraphCast原始通道、更长窗口和混合微调。集成模型CRPS低于基线概率版本，经推理时dropout后接近校准，对1.5年和2年一遇洪水的检测优于所有基线。作者强调，该工作是开放配方的受控扩展，而非全新架构。
🔑 关键词速览
| KNOU-Flood | 本文提出的全球径流预报模型，在AIFL方案基础上引入预见期感知输入、多源预报和概率集成。 |
| AIFL | 一种基于两阶段迁移学习和确定性LSTM的径流预报方案，作为本文的基线。 |
| KGE' | Kling-Gupta效率的变体，用于评估径流预报技巧的指标，值越接近1表示预报越准确。 |
| CRPS | 连续排序概率评分，衡量概率预报与观测值之间一致性的指标，值越低表示概率预报越可靠。 |
| GraphCast | 一种基于图神经网络的全球中期天气预报模型，本文将其作为第二个预报源。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅