Learning Basin Similarity Through Combined Deep Learning and Random Forest Approaches for Improved Parameter Transfer in Ungauged Basins
Notice bibliographique
Résumé
Parameter regionalization for ungauged basins remains a critical challenge in hydrological modeling. While traditional approaches rely on physical catchment descriptors or spatial proximity, and recent machine learning applications have focused primarily on direct streamflow prediction, there remains significant potential to leverage machine learning for improved parameter transfer strategies. This study explores novel approaches that combine Long Short-Term Memory (LSTM) networks and Random Forest (RF) models to predict basin similarity and optimize parameter transfer for physically-based hydrologic models. Using case studies from British Columbia's Fraser River Basin and Ontario's Great Lakes region, we test multiple methodologies for integrating deep learning with traditional parameter transfer approaches. Our primary benchmark is established through an exhaustive parameter transfer experiment using the Raven hydrological model, where parameters from each potential donor basin were transferred to every possible receiver basin across 10 independent trials. This benchmark represents the best achievable KGE via parameter transfer methods. Our framework employs a regional LSTM model to capture complex streamflow dynamics and characterize basin similarity, then explores various RF-based approaches to predict optimal donor-receiver basin pairs for parameter transfer. These methods are evaluated against both the exhaustive transfer benchmark and emerging machine learning approaches. Results indicate that thoughtfully combining deep learning and random forest techniques can capture nuanced relationships between basin characteristics and hydrological response similarity, advancing the state-of-the-art in parameter regionalization for ungauged basins while maintaining physical interpretability.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».