การพยากรณ์ปริมาณน้ำท่าด้วยแมชชีนเลิร์นนิง: การประเมินความสามารถในการพยากรณ์ข้ามระบอบอุทกภูมิอากาศ

ข้อมูลจากบทคัดย่อ

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

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 70/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: Hydrological Forecasting Using AI · Hydrology and Watershed Management Studies · Flood Risk Assessment and Management