arXiv cs.AI· Pengfei Qu, Lei Ye, Wenyu Ouyang, Chi Zhang, Yikai Chai, Shuolong Xu, Yongri Piao, Miao Zhang, Huchuan Lu·· 10 小时前AI 评分24
利用地球基础模型与 AlphaEarth 嵌入提升水文模型模拟性能
Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings
AI 导读
研究评估了 64 维 AlphaEarth Foundations（AEF）嵌入作为静态流域表示，在 CAMELS 数据集上用于径流预测。AEF 嵌入在样本外场景下比 CAMELS 属性更稳健，尽管两者样本内表现几乎相同。在 100 个目标流域中，AEF 静态输入总体提升了无观测流域预测（PUB）性能，且在小规模候选池下基于相似度的供体流域选择优于随机选择。
正文 · AI 翻译
摘要：无观测流域的准确预测（PUB）需要在具有水文多样性的区域之间进行有效迁移。尽管深度学习推动了大样本水文建模的发展，但其跨区域泛化能力部分取决于用于引导模型行为的静态流域描述符。地球基础模型（EFMs）通过从多模态卫星数据中学习环境表征，提供了一种有前景的替代方案。在本研究中，我们评估了 64 维 AlphaEarth Foundations（AEF）嵌入作为一种新的静态流域表征形式，并利用 CAMELS 数据集评估其在内样本（IS）和外样本（OOS）设置下对径流预测的价值。结果表明，尽管 IS 性能几乎相同，AEF 嵌入比 CAMELS 属性具有更高的 OOS 稳健性。互信息分析揭示了 AEF 嵌入与地形、植被和根系特征相关的常规流域属性之间的统计关联。我们进一步研究了使用 CAMELS 属性和 AEF 嵌入进行基于相似性的供体流域选择以用于 PUB。在 100 个目标流域中，AEF 静态输入总体上改善了 PUB 性能。使用 AEF 输入时，在较小的供体池中，基于相似性的供体选择优于随机选择，但其优势随着池规模增大而减弱。增加更多供体流域并未持续改善性能。留一聚类实验表明，AEF 输入的收益取决于流域划分方式，这表明可迁移性仍然对训练期间所代表的流域条件敏感。总体而言，本研究表明地球基础模型嵌入为 PUB 预测提供了一种可迁移的表征，并强调了流域表征质量和供体池设计的重要性，从而推动未来朝向统一的水文基础模型的研究。
| 评论： | 26 页，10 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2601.01558 [cs.LG] |
| （或 arXiv:2601.01558v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.01558 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wenyu Ouyang [查看电子邮件]
[v1]
2026 年 1 月 4 日星期日 15:14:16 UTC（7,997 KB）
[v2]
2026 年 7 月 1 日星期三 07:18:11 UTC（8,369 KB）
[v3]
2026 年 11 月 4 日星期三 11:43:31 UTC（6,636 KB）
来源：arXiv cs.AI · arxiv.org