A large sample study of the effects of upstream hydrometeorological input features for LSTM-based daily flow forecasting in Canadian catchments
Notice bibliographique
Résumé
Recent years have seen an increase of deep learning applications for flow forecasting. Large-sample hydrological (LSH) studies typically try to predict the runoff of a catchment using some selection of hydrometeorological features from the respective catchment. One aspect of these models that has received little attention in LSH is the effect that data from upstream catchments has on model performance. The number of available and stations and distance between stations is highly variable between catchments, which creates a unique modelling challenge. Existing LSH studies either use some form of linear aggregation of upstream flows as input features or omit them altogether. The potential of upstream data to improve the performance of real-time flow forecasts has not yet been systematically evaluated on a large scale. The objective of our study is to evaluate methods for integrating upstream features for real-time, data-driven flow forecasting models. Our study uses a subset of Canadian catchments (n>150) from the HYSETS database. For each catchment, long-short term memory networks (LSTMs) are used to generate flow forecasts for lead times of 1 to 3 days. We evaluate methods for identifying, selecting, and integrating relevant upstream input features within a deep-learning modelling framework, which include using neighbouring upstream stations, using all upstream stations, and using all stations with embedded dimensionality reduction. Early results indicate that while the inclusion of upstream data often yields improvements in model performance, including too much upstream information can easily have detrimental effects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».