Long‐Term Prediction Model for Erosion‐Deposition Topographic Evolution in the Sanmenxia‐To‐Xiaolangdi Reach of the Yellow River Based on Deep Learning
Notice bibliographique
Résumé
Abstract Reservoirs are essential for global water management and energy regulation, but sedimentation threatens their longevity. This study investigates a 130 km section of the Yellow River between the Sanmenxia and Xiaolangdi dams, using deep learning to predict long‐term erosion and deposition patterns. From 2009 to 2023, we gathered water depth data from 56 sites (840 measurements) with unmanned survey boats and drone‐based LiDAR (Light Detection and Ranging), alongside flow and sediment records. After preprocessing, we evaluated three machine learning models: Convolutional Network for Multimodal Time Series (CNN‐MTS), Convolutional Transformer for Multimodal Time Series (CNN‐Transformer‐MTS), and Convolutional Bi‐LSTM for Multimodal Time Series (CNN‐BiLSTM‐MTS). The CNN‐BiLSTM‐MTS model excelled, achieving a mean absolute error (MAE) of 17.84 m, a coefficient of determination ( R 2 ) of 0.9916, and reducing errors by up to 26% compared to alternatives. Key drivers of sediment dynamics included sediment load, maximum sediment concentration, and maximum flow. Data from 2009 to 2023 showed elevation shifts from −0.21 m near the dam to +1.158 m at the reservoir's tail. Predictions for 2024 to 2050 suggest varied riverbed changes, with the Guxian Reservoir's operation in 2036 expanding elevation ranges from −0.625 to 0.875 m. These findings highlight deep learning's potential for efficient sediment management in reservoirs and offer insights for sustainable hydraulic engineering. However, uncertainties persist in scaling the model, improving data resolution, and coordinating across regions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».