Unravelling the power of neural networks for flood prediction across complex hydrological systems
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
The increasing frequency and intensity of flooding events, driven by climate change and land-use modifications, call for the development of more advanced prediction tools to support early warning systems and disaster mitigation strategies. This chapter explores the use of multiple neural networks for flood prediction, focusing on their application in two complex and hydrologically challenging gauging stations in the USA: the Satilla River near Waycross, Georgia, and the coastal area of Socastee, South Carolina. We examined three state-of-the-art neural networks with different algorithmic structures: N-HiTS (Neural Hierarchical Interpolation for Time Series Forecasting), a residual-based model; LSTM (Long Short-Term Memory), a recurrent neural network optimized for capturing sequential dependencies; and PatchTST, a transformer-based architecture utilizing self-attention and patch embedding strategies. All models were trained using multi-year hydrometeorological time-series data (2007–22) and evaluated on an independent testing set (2022–24) across multiple prediction horizons (1, 3, 6 and 12 h). Among multiple models, N-HiTS consistently outperformed LSTM and PatchTST in both flood-prone settings. N-HiTS demonstrated superior accuracy, especially under complex tidal conditions, due to its hierarchical structure and multi-scale feature representation. PatchTST performed competitively in stable hydrological regimes, while LSTM struggled with long-term dependencies and dynamical shift in hydrological behaviours. These results emphasize the effectiveness of N-HiTS in capturing flood dynamics across multiple horizons, enhancing flood prediction reliability across multiple temporal and spatial scales.
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 | 0,001 | 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