概率水文预报和预测

概率预测和预测方法越来越被认为是有益的和有用的工具在水资源管理和防洪减灾。同时,努力提高这些方法的性能强化对这一重要方向形成和新途径。除了知识领域的统计可以付诸实践的概率预测和预测(例如,通过制定和运行的贝叶斯方法),新的发展领域的机器和统计学习还可以促进可靠和简单的解决方案。这些后者解决方案还可以计算方便和快速,从而使预测和预测获得的规模。

在本研究课题中,我们想征文导致的持续努力改进概率水文预报和预测。这贡献可以通过呈现原始研究成果或提供详细的文学评论。我们想扩展特别欢迎文章关注最新的机器和统计学习的发展。同样文章提出详细的比较和评估的方法,和文章研究如何合并模型从不同的类别(例如,在概率水文后处理的上下文中)最大化收益和降低风险概率水文预报和预测。

总的来说,我们想征文,旋转等主题和概念如下:

•开发和新的概率预测和预报方法的详细评估各种水文环境,包括(但不限于)降雨、地表水和地下水建模。

•比较和大规模的基准不同的方法的特定类型。

•组合不同类型的模型,如基于流程、随机、机器学习和深度学习模型,获取概率预测和预测。

•集成学习方法获取概率水文预报和预测的性能改进。

•强调极端事件,如干旱和洪水。

•详细的应用程序在不同时间分辨率。

•可辩解的机器学习的应用概率水文预报和预测。

关键字:贝叶斯,基准,极端,大数据,深入学习、干旱、整体学习,可辩解的机器学习,水文不确定性,机器学习,可预测性,预测的不确定性,基于流程模型、统计学习、不确定性、水利工程、洪水

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。