כתבה
arXiv cs.AI ·
דגימות עקביות ומודלים עם הנחיות פיזיקליות לתחזית רמות מים תת-קרקעיות
Pure and physics-guided deep learning approaches for spatio-temporal groundwater level prediction
מודלי למידת רשתות עם הנחיות פיזיקליות לתחזית רמות מים תת-קרקעיות. המאמר עוסק בפיתוח מודלים חדשים שמשלבים תאוריות פיזיקליות עם תכונות של למידת רשתות. המודלים החדשים, PSTAINet-IB, PSTAINet-ILB ו-PSTAINet-ILRB, הוכיחו תפוקה טובה יותר ממודלים קודמים. המאמר גם מציע דרך להגביר את הביצועים של המודלים על ידי הגברת הקשר בין המודלים.
תקציר מקורי באנגליתarXiv:2603.25779v2 Announce Type: replace-cross Abstract: Groundwater represents a key element of the water cycle, yet it exhibits complex and context-dependent relationships that make its modeling challenging. Theory-based models have been the cornerstone of scientific understanding. However, their computational cost, simplifying assumptions, and calibration requirements limit their use. In recent years, data-driven models have emerged as powerful alternatives. In particular, deep learning has proven to be a promising approach for its design flexibility and ability to learn complex relationships directly from the data without requiring extensive domain information. We proposed an attention-based pure deep learning model, named STAINet, to predict weekly groundwater levels in Piedmont (Ita
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית