hydrology

本文提出了一种深度学习的方法，使用时空图神经网络（MTGNN）重建南美洲自1940年以来的GRACE陆地水储量异常，实现了高精度，并且用更少的预测因子优于以往的方法。

研究人员提出了一种物理信息机器学习（PIML）框架，将水文约束整合到LSTM损失函数中，以改善短期洪水预报，特别是在数据稀缺的情况下。一种“趋势对齐”约束确保了降水与流量趋势之间的一致性，提高了纳什-苏特克利夫效率，并消除了极端事件期间的非物理预测。

本文利用NOAA国家水模型模拟，评估了仅编码器Transformer和LSTM模型在无资料流域中的径流预测能力。结果显示，LSTM的表现优于Transformer，并且加入下游信息显著提升了两种架构的预测技能。

本文提出了一种利用商用微波链路和扩散模型先验进行雨场重建的贝叶斯反问题框架，展示了其相对于现有基准方法的准确性提升。