Para abordar las imprecisiones en la previsión del escurrimiento causadas por la falta de datos en las operaciones de embalses, este artículo propone un marco de modelado colaborativo que integra aprendizaje profundo, descomposición de señales, cuantificación de incertidumbre y aprendizaje por transferencia. Validado en el río Wei (cuenca fuente) y el río Yongding (cuenca objetivo) con características hidrológicas similares, el marco primero construye un modelo de pronóstico puntual Pyraformer-BiLSTM-LSS para mejorar la caracterización de secuencias de escurrimiento no estacionarias. Luego, la técnica de descomposición de optimización BLSO-VMD filtra y reconstruye el ruido de pronóstico, mejorando la robustez del modelo. Posteriormente, se desarrolla un modelo de pronóstico de intervalo probabilístico a través del aprendizaje multitarea para cuantificar de manera confiable la incertidumbre. Para abordar la escasez de datos en el dominio objetivo, un mecanismo de aprendizaje de "descomposición–reconstrucción–transferencia" transfiere el conocimiento del modelo del dominio fuente al dominio objetivo. Los resultados muestran que el marco logra un excelente rendimiento en el dominio fuente y se transfiere con éxito al dominio objetivo con escasez de datos, mejorando significativamente la precisión y estabilidad tanto de las previsiones puntuales como de las intervalares. Al establecer un marco de modelado colaborativo que combina el aprendizaje por transferencia y el aprendizaje multitarea, junto con un método de descomposición de señales adaptativo basado en BLSO y un modelo de aprendizaje profundo multiescala, este estudio aborda de manera efectiva los desafíos de precisión y fiabilidad en la previsión del escurrimiento para cuencas con datos escasos. Proporciona un camino técnico transferible y escalable para la simulación del escurrimiento y la operación de embalses en regiones hidrológicamente desatendidas, apoyando la gestión sostenible de recursos hídricos y la protección ecológica.
Yang et al. (Sat,) estudiaron esta cuestión.