Towards Generalized Hydrological Forecasting using Transformer Models for 120-Hour Streamflow Prediction

要約

この研究では、米国アイオワ州の 125 の多様な場所にわたる 120 時間の河川流量予測に対する Transformer モデルの有効性を調査しています。
降水量、蒸発散量、流量などの過去 72 時間のデータを利用して、将来の河川流量を予測するための一般化モデルを開発しました。
私たちのアプローチは、通常、場所固有のモデルに依存する従来の方法とは対照的です。
ナッシュ・サトクリフ効率 (NSE)、クリング・グプタ効率 (KGE)、ピアソンの r、正規化二乗平均平方根誤差を使用して、3 つの深層学習モデル (LSTM、GRU、Seq2Seq) と永続性アプローチに対して Transformer モデルのパフォーマンスをベンチマークしました。
(NRMSE) をメトリクスとして使用します。
この研究では、Transformer モデルの優れたパフォーマンスが明らかになり、より高い NSE および KGE スコアの中央値を維持し、最低の NRMSE 値を示しました。
これは、川の流れを正確にシミュレートおよび予測し、さまざまな水文条件や地理的差異に効果的に適応する能力を示しています。
私たちの調査結果は、水文モデリングにおける高度なツールとしての Transformer モデルの可能性を強調し、従来および現代のアプローチに比べて大幅な改善をもたらします。

要約(オリジナル)

This study explores the efficacy of a Transformer model for 120-hour streamflow prediction across 125 diverse locations in Iowa, US. Utilizing data from the preceding 72 hours, including precipitation, evapotranspiration, and discharge values, we developed a generalized model to predict future streamflow. Our approach contrasts with traditional methods that typically rely on location-specific models. We benchmarked the Transformer model’s performance against three deep learning models (LSTM, GRU, and Seq2Seq) and the Persistence approach, employing Nash-Sutcliffe Efficiency (NSE), Kling-Gupta Efficiency (KGE), Pearson’s r, and Normalized Root Mean Square Error (NRMSE) as metrics. The study reveals the Transformer model’s superior performance, maintaining higher median NSE and KGE scores and exhibiting the lowest NRMSE values. This indicates its capability to accurately simulate and predict streamflow, adapting effectively to varying hydrological conditions and geographical variances. Our findings underscore the Transformer model’s potential as an advanced tool in hydrological modeling, offering significant improvements over traditional and contemporary approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google