Enhancing SVM’s robustness of weekly streamflow prediction based on three feature selection algorithms
Notice bibliographique
Résumé
Accurate prediction of streamflow is an essential factor for the optimization of water resources management. This study investigates the effectiveness of three feature determination techniques, namely, principal component analysis (PCA), kernel principal component analysis (KPCA) and sequential forward selection (SFS), on Support Vector Machine (SVM) model’ efficiency, for real-world one-week-ahead streamflow forecasting. The study was conducted in three subbasins of Oum-Errbia watershed in Morocco, namely, Ait-Ouchen, Tassaout and Tillouguite for the period going from 2000 to 2019. Initially, an ensemble of 8 input variables (including weekly precipitation (P), difference of P (Pdiff), snow cover area (SCA), difference of SCA (SCAdiff), snow water equivalent (SWE), difference of SWE (SWEdiff), temperature (T), and antecedent streamflow (Q1)), are reduced based on PCA, KPCA and SFS selection. The optimum features are further utilized to optimize the hyper-parameters of SVM model throughout the Grid-Search method. The streamflow simulations obtained by the developed SVM models (PCA-SVM, KPCA-SVM and SFS-SVM) were compared against observed streamflow using performance indicators of Kling-Gupta Efficiency (KGE), Nash-Sutcliffe Efficiency coefficient (NSE), and Root Mean Square Error (RMSE). The results of this study highlight three important findings. First, PCA and SFS techniques were found to be more effective than KPCA in terms of enhancing SVM’ performance in the three sub-basins. Besides, PCA and SFS had approximately the same effect on SVM, they both enhanced its efficiency. Second, KPCA had a negative effect on SVM predictivity over the three subbasins (Ait-Ouchen: NSE= 0.34, 0.43, KGE=0.29, 0.46, RMSE=78.34, 53.31 (MCM), Tassaout: NSE=0.01, 0.00, KGE=-0.30, -0.38, RMSE=8.98, 15.03 (MCM) and Tillouguite: NSE=0.74, 0.57, KGE=0.69, 0.55, RMSE= 48.21, 68.54(MCM)), during the training and the validation, respectively. Finally, the validation results indicated that the highest performance is achieved by PCA-SVM model in Ait-Ouchen (NSE = 0.69, KGE =0.70, RMSE = 38.9409MCM 3), Tassaout (NSE =0.21, KGE =0.10, RMSE = 13.33Mm3) and Tillouguite (NSE = 0.70, KGE = 0.77, RMSE = 57.09MCM). Thus, it is crucial to properly choose the input variables to develop more accurate models for predicting weekly streamflow.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».