La prévision spatialement distribuée de la dynamique des débits fluviaux et des exportations d’azote (N) est essentielle pour une gestion précise des bassins versants agricoles. Même si les modèles temporels d’apprentissage profond ont montré de solides performances à l’échelle d’un bassin, leur capacité à généraliser spatialement est limitée, en particulier dans des conditions de pénurie de données. Pour combler cette lacune, une équipe de chercheurs dirigée par le Center for Advanced Bioenergy and Bioproducts Innovation (CABBI) propose HydroGraphNet, un cadre d'apprentissage automatique graphique guidé par les connaissances intégrant des connaissances basées sur les processus et un apprentissage spatial explicite dans la modélisation temporelle.
in Écologie
