Basin2Vec：自监督学习流域表征，提升无资料流域径流预测
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究提出 Basin2Vec，一种自监督框架，从水文气候与地貌数据中学习紧凑的流域表征，训练过程不需要观测径流。该方法围绕流域尺度以及时空关系组织表征学习。在多种预测架构下，它在时间泛化和零样本空间迁移上均优于预定义属性与通用地理空间嵌入：时间维度平均相对提升最高 8.3%，在未见流域上的预测性能中位数达到最强基线的 3.5 倍。代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法思路
现有径流预测依赖两类表征：人工设定的固定属性，或通用的地球观测嵌入。前者受限于设计者的先验，后者并非针对流域结构定制。Basin2Vec 的做法是把表征学习本身围绕流域展开：输入为水文气候与地貌数据，不引入观测径流作为监督信号，通过自监督方式得到紧凑的流域向量。这样得到的表征既压缩了流域的关键特征，又保留了跨流域比较所需的结构信息。
实验表现
作者在多种预测架构上替换表征进行对比，Basin2Vec 在时间泛化与零样本空间迁移两个方向都稳定领先。时间维度上平均相对增益最高为 8.3%；空间维度上，对训练中未出现的流域，其预测性能中位数是最强基线方法的 3.5 倍。后一项结果说明，该方法的价值主要体现在向无资料流域迁移的场景，而这类场景正是传统依赖历史径流的方法最难覆盖的部分。
适用范围
论文将任务定位为可迁移的水文预测，强调以流域为中心的预训练。由于表征不依赖径流观测，预训练阶段可利用的流域范围不受资料长度限制；下游只需接上具体的预测架构即可使用。作者公开了代码，便于在其他流域和模型上复现与扩展。材料未给出具体流域数量、数据覆盖区域与训练成本等信息。
为什么值得看
把自监督表征学习引入水文预测，零样本迁移到无资料流域的效果显著，方法可复用于其他地学任务。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。