Hydrologic interpretation of machine learning models for 10-daily streamflow simulation in climate sensitive upper Indus catchments
Notice bibliographique
Résumé
Abstract Machine learning for hydrologic modeling has seen significant recent development and has been suggested as a valuable augmentation to physical hydrological modeling, especially in data-scarce catchments. In Pakistan, surface water flows predominantly originate from the transboundary Upper Indus sub-catchments of Chenab, Jhelum, Indus, and Kabul rivers. These catchments have large drainage areas, climate-driven streamflows, high variations in elevation, and limited streamflow gauge coverage. Hence, using machine learning models for data-driven river flow modeling may be well-suited for these catchments. However, hydrologic interpretability of machine learning models is important for the practical use of such models for these catchments. Thus, the current study besides evaluating the potential of three machine learning models (XGBOOST, Classification and Regression Trees(CART), and RandomForest) for streamflow simulation also focused on the hydrologic interpretation of machine learning models using SHapley Additive exPlananations (SHAP). All of these models performed well and the range of $$\textrm{R}^2$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:msup> <mml:mtext>R</mml:mtext> <mml:mn>2</mml:mn> </mml:msup> </mml:math> and Nasche-Efficiency for all three models lies between 0.61 to 0.90. Moreover, SHAP correctly identified minimum temperature as the most critical feature in glacier-fed Indus and Chenab catchments. It also provides logical insights into interactions between minimum temperature and precipitation for the indus and Chenab catchment. The findings of this study strongly illustrate the usefulness of SHAP analysis in interpreting the behavior of data-scarce high-elevation climate-sensitive catchments using tree-based machine learning models.
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 | 0,000 | 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 | 0,001 |
| 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 ».