Deep learning for cross-region streamflow and flood forecasting at a global scale
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Streamflow and flood forecasting remains one of the long-standing challenges in hydrology. Traditional physically based models are hampered by sparse parameters and complex calibration procedures particularly in ungauged catchments. We propose a novel hybrid deep learning model termed encoder-decoder double-layer long short-term memory (ED-DLSTM) to address streamflow forecasting at global scale for all (gauged and ungauged) catchments. Using historical datasets, ED-DLSTM yields a mean Nash-Sutcliffe efficiency coefficient (NSE) of 0.75 across more than 2,000 catchments from the United States, Canada, Central Europe, and the United Kingdom, highlighting improvements by the state-of-the-art machine learning over traditional hydrologic models. Moreover, ED-DLSTM is applied to 160 ungauged catchments in Chile and 76.9% of catchments obtain NSE >0 in the best situation. The interpretability of cross-region capacities of ED-DLSTM are established through the cell state induced by adding a spatial attribute encoding module, which can spontaneously form hydrological regionalization effects after performing spatial coding for different catchments. The study demonstrates the potential of deep leaning methods to overcome the ubiquitous lack of hydrologic information and deficiencies in physical model structure and parameterization.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle