基于地理气象数据的深度神经网络长期干旱预测
原文中文，约200字，阅读约需1分钟。发表于：。我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。
该研究提出了一种基于数据驱动的方法，使用气象时间序列数据和静态流域属性，通过使用LSTMs单个模型对531个流域进行训练，显著提高了性能。同时，提出了Entity-Aware-LSTM的改进网络架构，使学习、嵌入和特征层深度学习可以在其上实现。该方法的表现比符合地区性条件的水文模型和针对单个流域进行校准的水文模型更好。
