งานนี้เปรียบเทียบ Random Forest กับ XGBoost ในลุ่มน้ำ 24 แห่ง โดยใช้ข้อมูลฝนและปริมาณน้ำท่ารายวัน 43 ปีระหว่าง 1980-2022 เลือกตัวแปรแบบ recursive feature elimination และตรวจสอบแบบเลื่อนช่วงเวลา Random Forest ให้ผลดีกว่าใน 18 ลุ่มน้ำ โดยเด่นในสภาพน้ำไหลไม่ต่อเนื่องและน้ำต่ำ ทั้งสองแบบจำลองทำได้ดีในลุ่มน้ำชื้นและเสถียร (NSE มากกว่า 0.90) แต่ความแม่นยำลดลงในลุ่มน้ำแห้งและผันผวน (NSE ต่ำกว่า 0.5) ความแปรผันของน้ำท่าอธิบายสมรรถนะได้ดีกว่าความแปรผันของฝน ผลเสนอกรอบเลือกแบบจำลองตามระบอบลุ่มน้ำ แต่ไม่ได้หมายความว่า Random Forest ดีที่สุดทุกแห่ง และการถ่ายโอนไปยังลุ่มน้ำที่อยู่นอกชุดศึกษาต้องตรวจสอบใหม่
ข้อค้นพบสำคัญ
ทำไมจึงมีความสำคัญระดับโลก
ผลงานเพิ่มองค์ความรู้ในสาขาและเปิดทางให้ตรวจสอบหรือต่อยอดในบริบทอื่น การตีความผลกระทบควรยึดขอบเขตและหลักฐานของงานต้นฉบับเป็นหลัก ระบบให้สัญญาณผลกระทบ 70 จาก 100 ซึ่งใช้เพื่อจัดลำดับการนำเสนอ ไม่ใช่คะแนนคุณภาพวารสารหรือการจัดอันดับนักวิจัย
บทบาทของนักวิจัยไทย
การเชื่อมโยงกับประเทศไทยปรากฏผ่านผู้เขียนหรือสังกัด ได้แก่ Asian Institute of Technology
ข้อจำกัดที่ควรรู้
บทวิเคราะห์นี้อาศัยข้อมูลบรรณานุกรม บทคัดย่อ และแหล่งต้นทางที่เข้าถึงได้ ไม่ได้แทนการอ่านบทความฉบับเต็ม และไม่ควรอนุมานเหตุเป็นผลหรือการใช้จริงเกินกว่าที่ผู้วิจัยรายงาน