基于机器学习技术的雪融驱动流域径流预测比较分析
机器学习
2024-11-20 v2 人工智能
摘要
机器学习技术的快速发展导致其在各个领域广泛应用，然而雪融建模仍是一个未得到充分探索的领域。本研究提出一种基于时间卷积网络 (TCN) 的最先进深度学习序列模型，用于印度次大陆 Himalaya 区域的雪融驱动径流建模。为评估所提模型的性能，我们对比评估了包括支持向量回归 (SVR)、长短期记忆网络 (LSTM) 和 Transformer 在内的其他流行模型。进一步使用嵌套交叉验证 (CV)，外层使用 5 折，内层使用 3 折，并在内层折上进行超参数调优。为评估模型性能，计算每个外层折的平均绝对误差 (MAE)、均方根误差 (RMSE)、R 平方 ()、Kling-Gupta 效率 (KGE) 和纳什-沙特克利夫效率 (NSE)。平均指标显示 TCN 在其他模型中表现优异，平均 MAE 为 0.011，RMSE 为 0.023， 为 0.991，KGE 为 0.992，NSE 为 0.991。本研究的发现表明，深度学习模型在雪融驱动的流域径流预测方面优于传统机器学习方法。此外，TCN 的卓越性能凸显了其作为类似水文学应用中有前景的深度学习模型的潜力。
引用
@article{arxiv.2404.13327,
title = {Comparative Analysis on Snowmelt-Driven Streamflow Forecasting Using Machine Learning Techniques},
author = {Ukesh Thapa and Bipun Man Pati and Samit Thapa and Dhiraj Pyakurel and Anup Shrestha},
journal= {arXiv preprint arXiv:2404.13327},
year = {2024}
}
备注
17 pages, 4 Tables, 7 figures