Improved streamflow prediction accuracy in Boreal climate watershed using a LSTM model: A comparative study
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
Streamflow plays a vital role in water resource management and environmental impact assessment. This study is a novel application of the Long Short-Term Memory (LSTM) model, a type of recurrent neural network, for real-time streamflow prediction in the Upper Humber River Watershed in western Newfoundland. It also compares the performance of the LSTM model with the physically based SWAT model. The LSTM model was optimized by tuning hyperparameters and adjusting the window size to balance capturing historical data and ensuring prediction stability. Using single input variables such as daily average temperature or precipitation, the LSTM achieved a high Nash-Sutcliffe Efficiency (NSE) of 0.95. In comparison, the results show that the LSTM model delivers a more competitive performance, achieving an NSE of 0.95 versus SWAT’s 0.77, and a percent bias (PBIAS) of 0.62 compared to SWAT’s 8.26. Unlike SWAT, the LSTM model does not overestimate high flows and excels in predicting low flows. Additionally, the LSTM successfully predicted daily streamflow using real-time data. Despite challenges in interpretability and generalizability, the LSTM model demonstrated strong performance, particularly during extreme events, making it a valuable tool for streamflow prediction in cold climates where accurate forecasts are crucial for effective water management. This study highlights the potential of the LSTM model’s application to water resource management.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle