Ensemble learning of decomposition-based machine learning and deep learning models for multi-time step ahead streamflow forecasting in an arid region
Notice bibliographique
Résumé
<title>Abstract</title> As much as accurate streamflow forecasts are important and significant for arid regions, they remain deficient and challenging. An ensemble learning strategy of decomposition-based machine learning and deep learning models was proposed to forecast multi-time-step ahead streamflow for northwest China’s Dunhuang Oasis. The efficiency and reliability of a Bayesian Model Averaging (BMA) ensemble strategy for 1-, 2-, and 3-day ahead streamflow forecasting was evaluated in comparison with decomposition-based machine learning and deep learning models: (<italic>i</italic>), a variational-mode-decomposition model coupled with a deep-belief-network model (VMD-DBN), (<italic>ii</italic>) a variational-mode-decomposition model coupled with a gradient-boosted-regression-tree model (VMD-GBRT), (<italic>iii</italic>) a complete ensemble empirical mode decomposition with adaptive noise model coupled with a deep belief network model (CEEMDAN-DBN), and (iv) a complete ensemble empirical mode decomposition with adaptive noise model with a gradient boosted regression tree coupled model (CEEMDAN-GBRT). Satisfactory forecasts were achieved with all proposed models at all lead times; however, based on Nash-Sutcliffe coefficient (NSE) values of 0.976, 0.967, and 0.957, the BMA model achieved the greatest accuracy for 1-, 2-, and 3-day ahead streamflow forecasts, respectively. Uncertainty analysis confirmed the reliability of the BMA model in yielding consistently accurate streamflow forecasts. Thus, the BMA ensemble strategy could provide an efficient alternative approach to multi-time-step ahead streamflow forecasting for areas where physically-based models cannot be used due to a lack of land surface data. The application of the BMA model was particularly valuable when the ensemble members gave equivalent satisfactory performances, making it difficult to choose amongst them.
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 | 0,003 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».