Basin2Vec: Learning Basin-Centric Embeddings for Scalable Hydrological Modeling
Pubblicata su AIChronos il · fonte del · Muhammad Talha, Xiaofeng Liu, Yuan Yang, Pang-Ning Tan, A. Pouyan Nejadhashemi
Basin2Vec è un framework auto-supervisionato che apprende rappresentazioni compatte di bacini idrografici da dati idroclimatici e fisiografici senza richiedere osservazioni del deflusso. Organizzando l'apprendimento attorno alla scala dei bacini, supera le prestazioni degli attributi fissi o delle embedding geospaziali generiche in termini di generalizzazione temporale e trasferimento spaziale zero-shot. Il modello offre guadagni relativi medi fino all'8,3% nel tempo e raggiunge 3,5 volte la performance predittiva mediana dei baselines più forti su bacini non visti.
- Apprendimento auto-supervisionato di embedding centrati sul bacino senza dati osservativi del deflusso.
- Superiorità consistente rispetto agli attributi manuali e alle embedding Earth observation generiche in scenari di trasferimento spaziale zero-shot.
- Organizzazione della rappresentazione attorno alla scala dei bacini per catturare relazioni spazio-temporali rilevanti idrologicamente.
- Guadagni predittivi medi fino all'8,3% rispetto ai baselines esistenti nella generalizzazione temporale.
Perché conta. Sebbene non sia un modello linguistico diretto, Basin2Vec illustra l'efficacia del pretraining auto-supervisionato su dati strutturati complessi per il trasferimento zero-shot, una strategia fondamentale per ottimizzare agenti AI e modelli locali in domini con dati limitati o scarsamente annotati.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.