Distributed Hydrological Model Based on Machine Learning Algorithm: Assessment of Climate Change Impact on Floods
Notice bibliographique
Résumé
Rapid population growth, economic development, land-use modifications, and climate change are the major driving forces of growing hydrological disasters like floods and water stress. Reliable flood modelling is challenging due to the spatiotemporal changes in precipitation intensity, duration and frequency, heterogeneity in temperature rise and land-use changes. Reliable high-resolution precipitation data and distributed hydrological model can solve the problem. This study aims to develop a distributed hydrological model using Machine Learning (ML) algorithms to simulate streamflow extremes from satellite-based high-resolution climate data. Four widely used bias correction methods were compared to select the best method for downscaling coupled model intercomparison project (CMIP6) global climate model (GCMs) simulations. A novel ML-based distributed hydrological model was developed for modelling runoff from the corrected satellite rainfall data. Finally, the model was used to project future changes in runoff and streamflow extremes from the downscaled GCM projected climate. The Johor River Basin (JRB) in Malaysia was considered as the case study area. The distributed hydrological model developed using ML showed Nash–Sutcliffe efficiency (NSE) values of 0.96 and 0.78 and Root Mean Square Error (RMSE) of 4.01 and 5.64 during calibration and validation. The simulated flow analysis using the model showed that the river discharge would increase in the near future (2020–2059) and the far future (2060–2099) for different Shared Socioeconomic Pathways (SSPs). The largest change in river discharge would be for SSP-585. The extreme rainfall indices, such as Total Rainfall above 95th Percentile (R95TOT), Total Rainfall above 99th Percentile (R99TOT), One day Max Rainfall (R × 1day), Five-day Max Rainfall (R × 5day), and Rainfall Intensity (RI), were projected to increase from 5% for SSP-119 to 37% for SSP-585 in the future compared to the base period. The results showed that climate change and socio-economic development would cause an increase in the frequency of streamflow extremes, causing larger flood events.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».