Page 26 - 2025年第56卷第9期

［ 53］ WANG C，TANG G，GENTINE P. PrecipGAN：merging microwave and infrared data for satellite precipitation esti⁃
.
mation using generative adversarial network［J］ Geophysical Research Letters，2021，48（5）：e2020GL092032.
［ 54］ WICKERT A D， SANDELL C T， SCHULZ B， et al. Open-source Arduino-compatible data loggers designed for
.
field research［J］ Hydrology and Earth System Sciences，2019，23（4）：2065-2076.
［ 55］ EIDAM E F， LANGHORST T， GOLDSTEIN E B， et al. OpenOBS： Open-source， low-cost optical backscatter
sensors for water quality and sediment-transport research［J］ Limnology and Oceanography： Methods， 2022， 20
.
（1）：46-59.
［ 56］ LANGHORST T，PAVELSKY T，EIDAM E，et al. Increased scale and accessibility of sediment transport research
.
in rivers through practical，open-source turbidity and depth sensors［J］ Nature Water，2023，1（9）：760-768.
［ 57］ OVEREEM A， LEIJNSE H， UIJLENHOET R. Country-wide rainfall maps from cellular communication networks
.
［J］ Proceedings of the National Academy of Sciences，2013，110（8）：2741-2745.
［ 58］ SUNKARA V，PURRI M，SAUX B L，et al. Street to cloud：improving flood maps with crowdsourcing and seman⁃
tic segmentation［C］/ NeurIPS 2020 Workshop on Tackling Climate Change with Machine Learning. 2020.
/
.
［ 59］ 任芝花，熊安元 . 地面自动站观测资料三级质量控制业务系统的研制［J］ 气象，2007，33（1）：19-24.
［ 60］ BLÁZQUEZ-GARCÍA A， CONDE A， MORI U， et al. A review on outlier/anomaly detection in time series data
［J］ ACM Computing Surveys，2021，54（3）：1-56，33.
.
［ 61］ DÍAZ J S P，CASTRILLO M，GARCÍA Á L. Deep learning based soft-sensor for continuous chlorophyll estimation
on decentralized data［J］ Water Research，2023，246：120726.
.
［ 62］ FU G， SAVIC D， BUTLER D. Making Waves： towards data-centric water engineering［J］ Water Research，
.
2024，256：121585.
［ 63］ SHEN C， APPLING A P， GENTINE P， et al. Differentiable modeling to unify machine learning and physical
models and advance geosciences［J］ Nature Reviews Earth & Environment，2023，4：552-567.
.
［ 64］ JAKUBIK J， VÖSSING M， KÜHL N， et al. Data-centric artificial intelligence［J］ Business & Information Sys⁃
.
tems Engineering，2024，66（4）：507-515.
［ 65］ OUYANG W，GU X，YE L，et al. Exploring Variable Synergy in Multi-Task Deep Learning for Hydrological Mod⁃
.
eling［M］ Authorea，2023.
［ 66］ 欧阳文宇，叶磊，王梦云，等 . 深度学习水文预报研究进展综述Ⅰ——常用模型与建模方法［J］ 南水北调与
.
水利科技（中英文），2022，20（4）：650-659.
［ 67］ LI Z， LIU H， ZHANG C， et al. Real-time water quality prediction in water distribution networks using graph
.
neural networks with sparse monitoring data［J］ Water Research，2024，250：121018.
［ 68］ GRANATA F， ZHU S， NUNNO F D. Advanced streamflow forecasting for Central European Rivers： the cutting-
edge kolmogorov-arnold networks compared to transformers［J］ Journal of Hydrology，2024，645：132175.
.
.
［ 69］ 张然，柴志勇，张婷，等 . 基于机器学习模型的洪水预报研究进展［J］ 水利水电技术（中英文），2023，54
（11）：89-101.
［ 70］ MA K， FENG D， LAWSON K， et al. Transferring hydrologic data across continents-leveraging data-rich regions
to improve hydrologic prediction in data-sparse regions［J］ Water Resources Research， 2021， 57（5）：
.
e2020WR028600.
［ 71］ NAIR T，SUNKARA V，FRAME J，et al. Deep hydrology：hourly，gap-free flood maps through joint satellite and
hydrologic modelling［C］/NeurIPS 2022 Workshop on Tackling Climate Change with Machine Learning. 2022.
/
［ 72］ CHAUDHARY P， D’ ARONCO S， LEITÃO J P， et al. Water level prediction from social media images with a
multi-task ranking approach［J］ ISPRS Journal of Photogrammetry and Remote Sensing，2020，167：252-262.
.
［ 73］ SONG Y，SHEN C，LIU X. A surrogate model for shallow water equations solvers with deep learning［J］ Journal of
.
Hydraulic Engineering，2023，149（11）：04023045.
［ 74］ WANG L， XU B， ZHANG C， et al. Exploring the trade-offs among hydropower benefits， environmental flow，
and surface water temperature in a large reservoir under deep uncertainty［J］ Journal of Hydrology， 2023， 624：
.
129913.
［ 75］ BAYDIN A G，PEARLMUTTER B A，RADUL A A，et al. Automatic differentiation in machine learning：a survey
［J］ Journal of Marchine Learning Research，2018，18（153）：1-43.
.
— 1130 —