CNN vs. LSTM: A Comparative Study of Hourly Precipitation Intensity Prediction as a Key Factor in Flood Forecasting Frameworks
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
Accurate precipitation intensity forecasting is crucial for effective flood management and early warning systems. This study evaluates the performances of convolutional neural network (CNN) and long short-term memory (LSTM) models in predicting hourly precipitation intensity using data from Sainte Catherine de la Jacques Cartier station near Québec City. The models predict precipitation levels from one to six hours ahead, which are categorized into slight, moderate, heavy, and very heavy precipitation intensities. Our methodology involved gathering hourly precipitation data, defining input combinations for multistep ahead forecasting, and employing CNN and LSTM models. The performances of these models were assessed through qualitative and quantitative evaluations. The key findings reveal that the LSTM model excelled in the short-term (1HA to 2HA) and long-term (3HA to 6HA) forecasting, with higher R2 (up to 0.999) and NSE values (up to 0.999), while the CNN model was more computationally efficient, with lower AICc values (e.g., −16,041.1 for 1HA). The error analysis shows that the CNN demonstrated higher precision in the heavy and very heavy categories, with a lower relative error, whereas the LSTM performed better for the slight and moderate categories. The LSTM outperformed the CNN in minor- and high-intensity events, but the CNN exhibited a better performance for significant precipitation events with shorter lead times. Overall, both models were adequate, with the LSTM providing better accuracy for extended forecasts and the CNN offering efficiency for immediate predictions, highlighting their complementary roles in enhancing early warning systems and flood management strategies.
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 | 0,000 |
| 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) | 0,001 | 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 découle