Runoff Predictions in a Semiarid Watershed by Convolutional Neural Networks Improved with Metaheuristic Algorithms and Forced with Reanalysis and Climate Data
Notice bibliographique
Résumé
In this research, the role of climate variability and weather change in short-term streamflows, including extreme event, was investigated in semiarid climates. The deep learning convolutional neural networks (CNN) were modified by incorporating the imperialist competitive algorithm (ICA) and the grey wolf optimizer (GWO) method to improve hourly runoff predictions at multiple scales, ranging from 100 to over 6,000 km2 in the Seybouse Basin, Algeria. The atmospheric reanalysis data set, ECMWF Reanalysis v5 (ERA5) with a 31-km resolution, climate variability indices, and in situ runoff observations were used. The most relevant atmospheric and soil moisture predictors from the reanalysis grids covering the study area were used to represent spatial variability. The prediction performance of the original CNN and modified CNN-ICA and CNN-GWO models were evaluated. The CNN-GWO model outperformed CNN-ICA and the original model in predicting runoff and improved the Nash-Sutcliffe Efficiency score up to 0.99. Results across multiple scales disclose that the models with climate indices as inputs showed higher performance than the models with only atmospheric data as inputs, especially in predicting extreme runoff values in basins with elevations above 670 m, suggesting that climate variability indices need to be considered in flood predictions and infrastructure design in mountainous areas with increasing climate change uncertainties.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».