Effectiveness of three machine learning models for prediction of daily streamflow and uncertainty assessment
Notice bibliographique
Résumé
This study evaluates three Machine Learning (ML) models-Temporal Kolmogorov-Arnold Networks (TKAN), Long Short-Term Memory (LSTM), and Temporal Convolutional Networks (TCN)-focusing on their capabilities to improve prediction accuracy and efficiency in streamflow forecasting. We adopt a data-centric approach, utilizing large, validated datasets to train the models, and apply SHapley Additive exPlanations (SHAP) to enhance the interpretability and reliability of the ML models. The results show that TKAN outperforms LSTM but slightly lags behind TCN in streamflow forecasting. TKAN demonstrated strong alignment with observed statistical parameters, achieving a Mean Absolute Error (MAE) of 5.799 m³/s and a Nash-Sutcliffe Efficiency (NSE) of 0.958, compared to MAE and NSE values of 8.865 m³/s and 0.942 for LSTM, and 5.706 m³/s and 0.961 for TCN, respectively. Multi-step forecasting revealed TKAN's robust performance up to a three-day forecast horizon, with a slight decline in accuracy as the forecast period extended. Uncertainty analysis indicated reasonable variance levels, with a mean 3-day forecast uncertainty of 35.02% at a 95% confidence level for TKAN, compared to 39.95% for LSTM and 28.46% for TCN. For a 7-day forecast, TKAN showed a mean uncertainty of 40.97%, compared to 45.01% for LSTM and 36.22% for TCN. By enhancing model transparency and improving datasets, this study significantly advances the integration of machine learning into hydrological forecasting, offering robust methods for developing adaptive water management systems in response to changing climate conditions.
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 | 0,004 | 0,011 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».