Spatiotemporal estimation of groundwater and surface water conditions by integrating deep learning and physics-based watershed models
Notice bibliographique
Résumé
The impacts of climate change on hydrology underscore the urgency of understanding watershed hydrological patterns for sustainable water resource management. The conventional physics-based fully distributed hydrological models are limited due to computational demands, particularly in the case of large-scale watersheds. Deep learning (DL) offers a promising solution for handling large datasets and extracting intricate data relationships. Here, we propose a DL modeling framework, incorporating convolutional neural networks (CNNs) to efficiently replicate physics-based model outputs at high spatial resolution. The goal was to estimate groundwater head and surface water depth in the Sabgyo Stream Watershed, South Korea. The model datasets consisted of input variables, including elevation, land cover, soil type, evapotranspiration, rainfall, and initial hydrological conditions. The initial conditions and target data were obtained from the fully distributed hydrological model HydroGeoSphere (HGS), whereas the other inputs were actual measurements in the field. By optimizing the training sample size, input design, CNN structure, and hyperparameters, we found that CNNs with residual architectures (ResNets) yielded superior performance. The optimal DL model reduces computation time by 45 times compared to the HGS model for monthly hydrological estimations over five years (RMSE 2.35 and 0.29 m for groundwater and surface water, respectively). In addition, our DL framework explored the predictive capabilities of hydrological responses to future climate scenarios. Although the proposed model is cost-effective for hydrological simulations, further enhancements are needed to improve the accuracy of long-term predictions. Ultimately, the proposed DL framework has the potential to facilitate decision-making, particularly in large-scale and complex watersheds.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».