HydroDCM: Neue Methode steigert Inflow‑Vorhersagen über Stauseen hinweg

In der Hydrologie haben Deep‑Learning‑Modelle bislang große Fortschritte bei der Vorhersage von Reservoir‑Inflow gezeigt, doch ihre Genauigkeit sinkt oft, wenn sie auf andere Stauseen angewendet werden. Dieses Phänomen, bekannt als Domain‑Shift, entsteht durch unterschiedliche Verteilungen der Daten in den einzelnen Stauseen.

Um diesem Problem zu begegnen, wurde HydroDCM entwickelt – ein skalierbares Domain‑Generalization‑Framework, das die räumlichen Metadaten der Stauseen nutzt, um sogenannte Pseudo‑Domain‑Labels zu erzeugen. Diese Labels leiten ein adversariales Lernverfahren an, das zeitlich invariant bleibt, während gleichzeitig die spezifischen Eigenschaften jedes Stausees berücksichtigt werden. Während der Inferenz werden die erlernten Features durch leichte Konditionierungsschichten, die auf den Metadaten des Zielstausees basieren, angepasst, sodass die Vorhersagen sowohl robust als auch stauseenspezifisch sind.

Die Tests von HydroDCM an 30 realen Stauseen im Upper Colorado River Basin haben gezeigt, dass die Methode die Leistung gegenüber führenden Domain‑Generalization‑Baselines deutlich verbessert und dabei gleichzeitig ressourcenschonend bleibt. Diese Ergebnisse deuten darauf hin, dass HydroDCM ein vielversprechender Ansatz für die zuverlässige Inflow‑Vorhersage in vielfältigen hydrologischen Systemen ist.