A DeepAR-Based Modeling Framework for Probabilistic Mid–Long-Term Streamflow Prediction
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
Mid–long-term streamflow prediction (MLSP) plays a critical role in water resource planning amid growing hydroclimatic and anthropogenic uncertainties. Although AI-based models have demonstrated strong performance in MLSP, their capacity to quantify predictive uncertainty remains limited. To address this challenge, a DeepAR-based probabilistic modeling framework is developed, enabling direct estimation of streamflow distribution parameters and flexible selection of output distributions. The framework is applied to two case studies with distinct hydrological characteristics, where combinations of recurrent model structures (GRU and LSTM) and output distributions (Normal, Student’s t, and Gamma) are systematically evaluated. The results indicate that the choice of output distribution is the most critical factor for predictive performance. The Gamma distribution consistently outperformed those using Normal and Student’s t distributions, due to its ability to better capture the skewed, non-negative nature of streamflow data. Notably, the magnitude of performance gain from using the Gamma distribution is itself region-dependent, proving more significant in the basin with higher streamflow skewness. For instance, in the more skewed Upper Wudongde Reservoir area, the model using LSTM structure and Gamma distribution reduces RMSE by over 27% compared to its Normal-distribution counterpart (from 1407.77 m3/s to 1016.54 m3/s). Furthermore, the Gamma-based models yield superior probabilistic forecasts, achieving not only lower CRPS values but also a more effective balance between high reliability (PICP) and forecast sharpness (MPIW). In contrast, the relative performance between GRU and LSTM architectures was found to be less significant and inconsistent across the different basins. These findings highlight that the DeepAR-based framework delivers consistent enhancement in forecasting accuracy by prioritizing the selection of a physically plausible output distribution, thereby providing stronger and more reliable support for practical applications.
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 | 0,000 |
| 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