深度学习误差后处理技术提升了随机分水岭建模的性能

《Journal of Hydrology》：Deep learning error post-processing improves stochastic watershed modeling

　　

本杰明·马诺利（Benjamin Manoli）|桑迪普·普德尔（Sandeep Poudel）|大卫·K·科瓦尔（David K. Koval）|莎拉·Y·墨菲（Sarah Y. Murphy）|斯科特·斯坦施奈德（Scott Steinschneider）|乔纳森·拉蒙特agne（Jonathan Lamontagne）

• •
  随机流域模型（SWMs）考虑了确定性流域模型（DWMs）所存在的不确定性。
• •
  随机流域模型被应用于基于过程的模型、混合模型以及纯深度学习（DL）模型中。
• •
  在历史时期，结合深度学习的模型性能优于基于过程的模型。
• •
  采用加权自举法在模拟的气候变化条件下测试这些模型。
• •
  与历史条件相同，结合深度学习的模型同样表现出比基于过程的模型更好的性能。