Water level prediction using deep learning models: A case study of the Kien Giang River, Quang Binh Province
Notice bibliographique
Résumé
Abstract Time‐series water level prediction during natural disasters, for example, typhoons and storms, is crucial for both flood control and prevention. Utilizing data‐driven models that harness deep learning (DL) techniques has emerged as an attractive and effective approach to water level prediction. This paper proposed an innovative data‐driven methodology using DL network architectures of Gated Recurrent Unit (GRU), Long Short‐Term Memory (LSTM), and Bidirectional Long‐Short Term Memory (Bi‐LSTM) to predict the water level at the Le Thuy station in the Kien Giang River. These models were implemented and validated based on hourly rainfall and water level observations at meteo‐hydrological stations. Three combinations of input variables with different time leads and time lags were established to evaluate the forecast capability of three proposed models by using five metrics, that is, R2, MAE, RMSE, Max Error Value, and Max Error Time. The results revealed that the LSTM model outperformed the Bi‐LSTM and GRU models, when water level and rainfall observations for one‐time lag at three stations were used to predict the water level at the Le Thuy station with 1‐h time lead, with the five metrics registering at 0.999; 3.6 cm; 2.6 cm; 12.9 cm; and −1 h, respectively.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».