ترجمه فارسی مقاله روش‌های بهبود زمان اجرای مدل‌های هیدرولوژیکی: فرصت‌ها و چالش‌ها در عصر یادگیری ماشین

چکیده

The application of Machine Learning (ML) to hydrologic modeling is fledgling. Its applicability to capture the dependencies on watersheds to forecast better within a short period is fascinating. One of the key reasons to adopt ML algorithms over physics-based models is its computational efficiency advantage and flexibility to work with various data sets. The diverse applications, particularly in emergency response and expanding over a large scale, demand the hydrological model in a short time and make researchers adopt data-driven modeling approaches unhesitatingly. In this work, in the era of ML and deep learning (DL), how it can help to improve the overall run time of physics-based model and potential constraints that should be addressed while modeling. This paper covers the opportunities and challenges of adopting ML for hydrological modeling and subsequently how it can help to improve the simulation time of physics-based models and future works that should be addressed.

چکیده به فارسی (ترجمه ماشینی)

کاربرد یادگیری ماشین (ML) در مدل سازی هیدرولوژیکی در حال کار است.کاربرد آن برای گرفتن وابستگی به حوضه های آبخیزداری برای پیش بینی بهتر در یک دوره کوتاه جذاب است.یکی از دلایل اصلی اتخاذ الگوریتم های ML در مورد مدلهای مبتنی بر فیزیک ، مزیت کارآیی محاسباتی و انعطاف پذیری آن برای کار با مجموعه داده های مختلف است.کاربردهای متنوع ، به ویژه در واکنش اضطراری و گسترش در مقیاس بزرگ ، مدل هیدرولوژیکی را در مدت زمان کوتاهی می طلبد و باعث می شود محققان رویکردهای مدل سازی داده محور را به طور نامحسوس اتخاذ کنند.در این کار ، در دوره ML و Deep Learning (DL) ، چگونه می تواند به بهبود زمان کلی مدل مبتنی بر فیزیک و محدودیت های بالقوه که هنگام مدل سازی باید مورد توجه قرار گیرد ، کمک کند.در این مقاله فرصت ها و چالش های اتخاذ ML برای مدل سازی هیدرولوژیکی و متعاقباً چگونه می تواند به بهبود زمان شبیه سازی مدل های مبتنی بر فیزیک و آثار آینده که باید مورد توجه قرار گیرد ، را در بر می گیرد.