مدل هیدرولوژیک مبتنی بر قوانین فیزیکی در سه قاره با شبکه‌های عصبی رقابت کرد

پژوهشگران مدلی کم‌پارامتر برای شبیه‌سازی رفتار حوضه‌های آبریز ساخته‌اند که به‌جای اتکا به شبکهٔ عصبی روزانه، بر قوانین فیزیکی تکیه می‌کند. مدل نهایی، CaRT+، در آزمون‌هایی روی ۶۰۲ حوضهٔ آبریز بریتانیا و ۵۹۳ حوضهٔ آمریکا به عملکردی نزدیک به دو نوع LSTM رسید؛ در ۵۰۵ حوضهٔ خشک‌تر استرالیا که در توسعهٔ مدل استفاده نشده بودند، عملکردش از هر دو بهتر بود.

CaRT+ از مدل ساده‌تر CaRT توسعه یافته و برای هر حوضه ۳۵ پارامتر و ۱۴ حالت دارد. چارچوب آن بر سه اصل بنا شده است: پایستگی، که جریان‌ها را به شبکه‌ای از ذخیره‌گاه‌ها پیوند می‌دهد؛ اتلاف، که جهت هر جریان را محدود می‌کند؛ و تجمیع، که توضیح می‌دهد ترکیبِ تفکیک‌نشدهٔ حوضه چگونه بر جریان‌ها اثر می‌گذارد. پژوهشگران مدل را با کمک عامل‌های هوش مصنوعی و بر پایهٔ فرضیه‌هایی از پژوهش‌های پیشین، مرحله‌به‌مرحله اصلاح کردند.

معیار گزارش‌شده، میانهٔ کارایی Nash-Sutcliffe (NSE) در سال‌های کنارگذاشته‌شده برای آزمون است. در بریتانیا، CaRT+ به ۰٫۸۶۳ رسید؛ در برابر ۰٫۸۶۹ برای LSTM حالت‌مند و ۰٫۸۶۲ برای LSTM آگاه از هویت حوضه. در آمریکا، امتیاز CaRT+ برابر ۰٫۷۶۵ بود و دو LSTM به‌ترتیب ۰٫۷۵۱ و ۰٫۷۵۴ گرفتند. با این حال، مجموعه‌های سه‌دانه‌ای LSTM در میانهٔ NSE زوج‌شده همچنان ۰٫۰۰۳ تا ۰٫۰۱۲ از مجموعهٔ CaRT+ جلوتر بودند.

در استرالیا، امتیاز مدل CaRT+ به ۰٫۷۷۸ رسید، در حالی که دو LSTM امتیازهای ۰٫۷۶۲ و ۰٫۷۵۳ داشتند. نویسندگان نتیجه می‌گیرند که قوانین مقیاس حوضهٔ آبریز می‌توانند در قالب ساختارهای مشترک بیان شوند و تنها پارامترهای آن‌ها از داده‌ها آموخته شوند. این مقاله پیش‌چاپ است و نتایج آن هنوز در همین منبع به‌عنوان یافتهٔ داوری‌شده معرفی نشده‌اند.