Hierarchical Deep Learning for Consistent Multi‐Timescale Hydrological Forecasting
Notice bibliographique
Résumé
Abstract This research introduces a novel method for accurate and consistent hydrological forecasting at multiple timescales. Deep learning (DL) models are increasingly being used for hydrological forecasting across various timescales (hourly, daily, etc.). However, one of the main challenges with multi‐timescale DL‐based hydrological forecasting is the potential inconsistency (discrepancy) between forecasts across different timescales. Inconsistent multi‐timescale forecasts can be problematic especially when decision‐making relies on forecasts across different timescales. This paper introduces a hierarchical DL (HDL) model incorporating temporal hierarchical reconciliation (THR) with DL models for consistent multi‐timescale streamflow forecasting. HDL is developed, deployed, and tested for multi‐step (seven days ahead), multi‐timescale (daily and weekly) streamflow forecasting using over 400 catchments across the contiguous United States. HDL is based on long short‐term memory (LSTM) networks and implements THR through a differentiable output layer. HDL consistently improved the median Nash Sutcliffe efficiency (NSE) of daily streamflow forecasts (e.g., by 3.01% for lead time one) compared to a multi‐timescale LSTM benchmark and resulted in significantly more accurate forecasts in more than 65% of the catchments at the weekly scale than daily forecast aggregation. HDL performance is influenced by both the THR formulation and the accuracy of the forecasts at different timescales. For instance, at the weekly timescale, HDL yielded a notable median improvement of 9.45% in NSE for the lowest‐performing decile of catchments (NSE < 0.37), which are typically the most challenging to forecast. The proposed HDL framework offers a novel, generalizable, and promising approach for multi‐timescale forecasting across diverse water resources forecasting tasks.
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 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».