Long Short-Term Memory Model to Forecast River Ice Breakup Throughout Alaska USA
Notice bibliographique
Résumé
Predicting the timing of annual river ice breakup is crucial for residents to prepare for potential flooding and assess the safety of rivers for transportation. This analysis develops a deep learning approach using meteorological and geospatial data products to forecast river ice breakup. We selected 33 locations along eight major rivers across Alaska, USA, and Western Canada, leveraging annual breakup dates from the Alaska-Pacific River Forecast Center database. Daily meteorological data from Daymet, along with static watershed attributes from the pan-Arctic catchment database, were used to develop a Long Short-Term Memory model (LSTM) for predicting river ice breakup. Of the 33 locations, 23 were used for training the LSTM. The model demonstrated high efficacy, accurately predicting the annual breakup date with a mean absolute error (MAE) of 5.40 days, a standard deviation of 4.03 days and a mean absolute percentage error (MAPE) of 4.37%. The spatial generalizability of the LSTM was evaluated using the remaining 10 locations as holdouts, with eight of the 10 locations averaging a MAPE of less than 8% over the entire time series (1980 to 2023). Additionally, we retrieved 51 long-range seasonal forecast ensembles from the Copernicus Climate Data Store and applied trained LSTM to them to showcase the capability of the LSTM to predict future river ice breakup using operational weather forecasts. To analyze marginal contribution of LSTM inputs for predictions, Shapley values were calculated. A new temporal correction scheme was developed and applied to Shapley values to address unique features of the breakup data.
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) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».