Prophet-Based Artificial Intelligence Versus Seasonal Auto-Regressive Models for Flood Forecasting with Exogenous Variables
Notice bibliographique
Résumé
Accurate stream flow forecasting is essential for flood risk management and preparedness. This study compares two forecasting approaches: (a) the Seasonal Auto-Regressive Integrated Moving Average with Exogenous Regressors (SARIMAX), a classical statistical model, and (b) Prophet, a decomposable time-series forecasting model that incorporates seasonality and exogenous predictors. Forecasts were generated for 15-day and 3-day horizons and evaluated using uncertainty bounds, Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R2). Results indicate that SARIMAX was less effective at capturing the observed variability, producing wide uncertainty (177.7%) and high errors (MAE = 153.73; RMSE = 207.10) with a negative R2 (–4.42). At shorter horizons, its performance remained limited (uncertainty = 28.04%; MAE = 61.52; RMSE = 94.88; R2 = –0.14). In contrast, Prophet achieved significantly lower uncertainty (16%), high accuracy (R2 = 0.95), and exceptional performance on short-term forecasts (R2 = 0.99). Conventional procedures such as SARIMAX have long been relied upon by engineers for their interpretability, and remain important as part of a strategy; however, they fail to represent nonlinear dynamics and exogenous influences now captured effectively by AI-based models. These findings highlight Prophet’s superiority across horizons and its promise for enhancing operational flood forecasting through its ability to effectively capture non-linear dynamics and exogenous influences.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».