ترجمه فارسی مقاله رویکردهایی برای افزایش برون یابی در مدل های مبتنی بر فرآیند و داده محور در هیدرولوژی

چکیده

The application of process-based and data-driven hydrological models is crucial in modern hydrological research, especially for predicting key water cycle variables such as runoff, evapotranspiration (ET), and soil moisture. These models provide a scientific basis for water resource management, flood forecasting, and ecological protection. Process-based models simulate the physical mechanisms of watershed hydrological processes, while data-driven models leverage large datasets and advanced machine learning algorithms. This paper reviewed and compared methods for assessing and enhancing the extrapolability of both model types, discussing their prospects and limitations. Key strategies include the use of leave-one-out cross-validation and similarity-based methods to evaluate model performance in ungauged regions. Deep learning, transfer learning, and domain adaptation techniques are also promising in their potential to improve model predictions in data-sparse and extreme conditions. Interdisciplinary collaboration and continuous algorithmic advancements are also important to strengthen the global applicability and reliability of hydrological models.

چکیده به فارسی (ترجمه ماشینی)

استفاده از مدلهای هیدرولوژیکی مبتنی بر فرآیند و داده محور در تحقیقات هیدرولوژیکی مدرن ، به ویژه برای پیش بینی متغیرهای کلیدی چرخه آب مانند رواناب ، تبخیر و تعرق (ET) و رطوبت خاک بسیار مهم است.این مدل ها مبنای علمی برای مدیریت منابع آب ، پیش بینی سیل و حفاظت از زیست محیطی فراهم می کنند.مدلهای مبتنی بر فرآیند مکانیسم های فیزیکی فرآیندهای هیدرولوژیکی آبخیزداری را شبیه سازی می کنند ، در حالی که مدل های داده محور از مجموعه داده های بزرگ و الگوریتم های یادگیری ماشین پیشرفته استفاده می کنند.در این مقاله روشهای مورد بررسی و مقایسه و تقویت برون یابی هر دو نوع مدل ، بحث در مورد چشم انداز و محدودیت های آنها بررسی و مقایسه شده است.استراتژی های کلیدی شامل استفاده از اعتبار سنجی متقابل مرخصی و روشهای مبتنی بر شباهت برای ارزیابی عملکرد مدل در مناطق غیرمجاز است.یادگیری عمیق ، یادگیری انتقال و تکنیک های سازگاری دامنه نیز در پتانسیل خود برای بهبود پیش بینی های مدل در شرایط داده و شرایط شدید امیدوار کننده است.همکاری بین رشته ای و پیشرفت های الگوریتمی مداوم نیز برای تقویت کاربرد جهانی و قابلیت اطمینان مدل های هیدرولوژیکی مهم است.