Daily streamflow simulation based on the improved machine learning method



Título del documento: Daily streamflow simulation based on the improved machine learning method
Revista: Tecnología y ciencias del agua
Base de datos: PERIÓDICA
Número de sistema: 000409718
ISSN: 0187-8336
Autores: 1
1
1
1
2
1
1
3
4
5
Instituciones: 1China Institute of Water Resources and Hydropower Research, State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, Beijing. China
2Tsinghua University, Department of Hydraulic Engineering, Beijing. China
3Hohai University, College of Hydrology and Water Resources, Nanjing, Jiangsu. China
4Beijing Normal University, College of Water Sciences, Beijing. China
5Nanjing University of Information Sciences & Technology, College of Hydrometeorology, Nanjing, Jiangsu. China
Año:
Periodo: Mar-Abr
Volumen: 8
Número: 2
Paginación: 51-60
País: México
Idioma: Inglés
Tipo de documento: Artículo
Enfoque: Aplicado, descriptivo
Resumen en español La simulación de caudales diarios se ha implementado por lo general mediante modelos hidrológicos distribuidos o conceptuales. En la actualidad, los datos hidrológicos, que pueden obtenerse con facilidad de sistemas automáticos de medición, son más que suficientes. Por lo tanto, el aprendizaje automático (machine learning) se ha convertido en una herramienta eficaz y popular, muy adecuada para la tarea de simulación de caudales. En este trabajo se propone un método de aprendizaje automático mejorado denominado modelo PKEK, basado en el modelo NU-PEK, previamente propuesto para generar resultados de simulación de flujo diario más precisos y estables. Los resultados de la comparación entre el modelo PKEK y el modelo NU-PEK indican que el modelo mejorado ofrece mayor exactitud y estabilidad, y tiene un excelente potencial de aplicación en la simulación de caudales diarios
Resumen en inglés Daily streamflow simulation has usually been implemented by conceptual or distributed hydrological models. Nowadays, hydrological data, which can be easily obtained from automatic measuring systems, are more than enough. Therefore, machine learning turns into an effective and popular tool which is highly suited for the streamflow simulation task. In this paper, we propose an improved machine learning method referred to as PKEK model based on the previously proposed NU-PEK model for the purpose of generating daily streamflow simulation results with better accuracy and stability. Comparison results between the PKEK model and the NU-PEK model indicated that the improved model has better accuracy and stability and has a bright application prospect for daily streamflow simulation tasks
Disciplinas: Geociencias,
Ciencias de la computación
Palabras clave: Hidrología,
Modelos hidrológicos,
Simulación de caudales,
Pronóstico de inundaciones,
Aprendizaje de máquinas,
Optimización global
Keyword: Earth sciences,
Computer science,
Hydrology,
Hydrological models,
Streamflow simulation,
Flood forecasting,
Machine learning,
Global optimization
Texto completo: Texto completo (Ver HTML)