A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM

要約

特に最先端の機械学習モデルの導入により、流流予測の進歩は大きく前進しました。
この分野では、主に長短期記憶 (LSTM) と畳み込みニューラル ネットワーク (CNN) が広く使用されています。
LSTM は降雨流出と時系列設定の両方に適用できますが、CNN-LSTM は主に降雨流出シナリオで利用されてきました。
この研究では、CNN-LSTM の適用を時系列設定に拡張し、時間差のある河川流データを降水量と気温のデータと組み合わせて活用し、河川流量を予測します。
私たちの結果は、ネブラスカ州の 32 の HUC8 盆地のうち 21 で予測パフォーマンスが大幅に向上し、クリング-グプタ効率 (KGE) 値の顕著な増加を示しています。
これらの結果は、時系列設定、特に時空間水文モデリングにおける CNN-LSTM の有効性を強調し、より正確で堅牢な流量予測を実現します。

要約(オリジナル)

Significant strides have been made in advancing streamflow predictions, notably with the introduction of cutting-edge machine-learning models. Predominantly, Long Short-Term Memories (LSTMs) and Convolution Neural Networks (CNNs) have been widely employed in this domain. While LSTMs are applicable in both rainfall-runoff and time series settings, CNN-LSTMs have primarily been utilized in rainfall-runoff scenarios. In this study, we extend the application of CNN-LSTMs to time series settings, leveraging lagged streamflow data in conjunction with precipitation and temperature data to predict streamflow. Our results show a substantial improvement in predictive performance in 21 out of 32 HUC8 basins in Nebraska, showcasing noteworthy increases in the Kling-Gupta Efficiency (KGE) values. These results highlight the effectiveness of CNN-LSTMs in time series settings, particularly for spatiotemporal hydrological modeling, for more accurate and robust streamflow predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google