zhongwei/gh-kongdd-skills-for-your-ai-student

Files

Zhongwei Li 3073463598 Initial commit

2025-11-30 08:35:28 +08:00

2.6 KiB

Raw Blame History

name, description

name	description
hydro-forecast

1 运行环境说明

在Julia中运行
在julia中首先加载包，using HydroTools
若没有包加载出错，则安装之，using Pkg; Pkg.add("HydroTools")

说明

先不要立即执行该skills，提醒用户输入的数据的格式。用户需要整理好的数据路径即可。

model模型选择

MarrMot
XAJ
TCN
LSTM
KAN

如果复杂、参数比较多的模型：要求用户输入模型参数json文件。按照如下示例

{
    "clumping_index": 0.62,
    "LAI_max_o": 4.5,
    "LAI_max_u": 2.4,
    "z00": 1.33,
    "mass_overstory": 35,
    "mass_understory": 10,
    "root_depth": 0.6,
    "α_canopy_vis": 0.035,
    "α_canopy_nir": 0.23,
    "r_root_decay": 0.95,
    "minimum_stomatal_resistance": 150,
    "z_canopy_o": 20,
    "z_canopy_u": 3,
    "g1_w": 8,
    "VCmax25": 62.5,
    "leaf_resp_co": 0.0015,
    "stem_resp_co": 0.0020,
    "root_resp_co": 0.0020,
    "fine_root_resp_co": 0.003,
    "N_leaf": 4.45,
    "slope_Vc": 0.33152
}

1.1 任务说明

1.1.1 `framework`：


function hydro_forecast(f; model, outdir)
  res = ...

  fwrite(res.output, ...)
  fwrite(res.gof, ...)
  fwrite(res.info_flood, ...)
  fwrite(res.dat_flood, ...)
  fwrite(res.evaluation, ...)
end

function hydro_forecast(X::AbstractArray, Y::AbstractArray; model::Function, outdir = "OUTPUT")
  mkpath(outdir)
  res; # return a NamedTuple
end

输入：X, Y, model

输出：Qsim, GOF, Pass_rate

output: 三类数据集的输出，A DataFrame with columns of date, Qsim,
gof: 三类数据的拟合优度
info_flood: 洪水场次信息，id, time_beg, time_end, duration, Q_peak, Q_min
dat_flood：洪水场次的驱动数据，
evaluation: 每个洪水场次上的模拟优度, csv

绘图：

交给他绘图的函数，数据

总结：

evaluation总结模型预报精度（AI执行）

内部模块设计：

flood_division: 采用R语言，划分洪水场次
划分数据集：train, test, valid
loss: 根据拟合优度指标去设计loss，例如KGE, NSE, RMSE，注意loss越小越优。根据loss去优选模型参数。
evaluation: 在三种数据集，train, test, valid。每个洪水场次的洪峰、峰现时间合格率。

1.1.2 `model`：水文模型、LSTM、TCN、KAN

Ysim = Model(X, Y; params, state) # Lux的设计哲学

1.1.3 文件保存

文件保存采用Julia包DataFrames，RTableTools

using RTableTools
fwrite(df, "out.csv") # df is a DataFrame

2.6 KiB Raw Blame History Unescape Escape