Investigating the Accuracy of Hybrid Models with Wavelet Transform in the Forecast of Watershed Runoff
Notice bibliographique
Résumé
In the hydrological cycle, runoff precipitation is one of the most significant and complex phenomena. In order to develop and improve predictive models, different perspectives have been presented in its modeling. Hydrological processes can be confidently modeled with the help of artificial intelligence techniques. In this study, the runoff of the Leilanchai watershed was simulated using artificial neural networks (ANNs) and M5 model tree methods and their hybrid with wavelet transform. Seventy percent of the data used in the train state and thirty percent in the test state were collected in this watershed from 2000 to 2021. In addition to daily and monthly scales, simulated and observed results were compared within each scale. Initially, the rainfall and runoff time series were divided into multiple sub-series using the wavelet transform to combat instability. The resultant subheadings were then utilized as input for an ANN and M5 model tree. The results demonstrated that hybrid models with wavelet improved the ANN model's daily accuracy by 4% and its monthly accuracy by 26%. It also improved the M5 model tree's daily and monthly accuracy by 4% and 41%. The wavelet-M5 model's accuracy does not diminish to the same degree as the wavelet-ANN (WANN) model as the forecast horizon lengthens. Consequently, the Leilanchai watershed has a relatively stable behavior pattern. Finally, hybrid models, in conjunction with the wavelet transform, improve forecast accuracy.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».