paper阅读记录11.11-SWAT； machine learning techniques
the process-driven soil and water assessment tool (SWAT) model
data-driven machine learning techniques (XGBoost, random forest, LSTM, BILSTM, and GRU)
SWAT：
判定系数（
）
Nash–Sutcliffe efficiency (NSE)：敏感性分析揭示了模型参数之间不同程度的敏感性。
过程驱动的 SWAT 模型需要将流域划分为多个水文响应单元，以检查流域的数字高程模型 （DEM）、土壤类型和土地利用之间的相互关系。
数据驱动模型通过分析历史数据来建立输入变量和输出结果之间的相关性。
本研究旨在评估数据驱动机器学习技术与过程驱动 SWAT 模型相比的有效性，具有以下三个目标：（1） 评估模型在各种时间尺度上的性能;（2） 比较和评估 SWAT 模型与机器学习技术的有效性;（3） 研究整合模型以增强其泛化能力和弹性的策略。
使用 Python3.8 进行数据提取，特别是利用 numpy 和 pandas 库，根据每个水文站的地理坐标，在日尺度上获取流域尺度的时间序列数据。
SWAT 模型的机制涉及子流域划定、水文响应单元 （HRU） 分析、气象数据输入和初始模型模拟。
在模拟溪流之前，SWAT 模型的输入数据集需要数字高程模型 （DEM）、土地利用/土地覆被 （LULC）、土壤类型和气象数据。
使用土壤保护局曲线数 （SCS-CN） 方法计算地表径流，而蒸发量 （E） 使用 Penman-Monteith （PM） 方程计算。水文循环过程是通过采用水平衡方程计算的：
其中 SWt 和 SW0 分别表示土壤水分的结束状态和初始状态;Rday 表示每日降水量;QSurf 表示地表径流;E 表示每日蒸散量;Wseep 表示水渗入土壤;Qgw 是指地下水排放。上述所有变量的测量值均以毫米 （mm） 表示。
ML 技术主要有两种架构：传统的 ML 技术（如 XGBoost 和随机森林）和 DL 技术。
传统的 ML 技术非常适合水文建模。使用这些模型可以有效地解决基于时间序列的非线性水文问题，例如降雨-径流建模和河流阶段-流量建模。DL 技术（如 LSTM、BILSTM 和 GRU）是广泛用于时间序列预测的 RNN 架构，在捕获方面显示出前景。