基于物理信息的双模分解与深度混合学习方法，该方法具有可解释性，能够可靠地预测复杂河流系统中溶解氧的含量

《Journal of Hydrology》：Physics-informed dual-modal decomposition and deep hybrid learning with interpretability for reliable prediction of dissolved oxygen in complex riverine systems

　　

孟瑶安|王照才|鲍晓光|谭卓文|朱朝阳

• •
  提出了一种新颖的双模态分解架构，用于多尺度特征提取。
• •
  多维特征系统整合了气象、水文和水质数据。
• •
  嵌入了如下数学表达式：
  $\mathit{Pe}$' role="presentation">$\mathit{Pe}$/${\mathit{Da}}_1$' role="presentation">${\mathit{Da}}_2$/${\mathit{Da}}_2$' role="presentation">${\mathit{Da}}_2$ 该算法从平流-扩散-反应机制出发，以提高模型的物理可解释性。

•

IDBO算法自动优化超参数，提升模型稳定性。

•

异构BiTCN-iTransformer融合模型能够捕捉长期和短期的依赖关系。