Evaluación del Impacto del Modo de Acoplamiento del Modelo Hidrológico y el Modelo de Aprendizaje Automático en la Simulación de Escorrentía: Un Caso de Washington
Autores: Zhang, Junqi; Li, Jing; Zhao, Huiyizhe; Wang, Wen; Lv, Na; Zhang, Bowen; Liu, Yue; Yang, Xinyu; Guo, Mengjing; Dong, Yuhao
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluación del Impacto del Modo de Acoplamiento del Modelo Hidrológico y el Modelo de Aprendizaje Automático en la Simulación de Escorrentía: Un Caso de Washington
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Modelos hidrológicos tradicionales
Modelos de aprendizaje automático
Capacidades de modelado de escorrentía
Modelo Hidrológico Diario Simplificado
Memoria a Largo y Corto Plazo
Conjunto de datos US CAMELS
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
Las incertidumbres inherentes en los modelos hidrológicos tradicionales presentan desafíos significativos para simular con precisión el escurrimiento. Combinar modelos de aprendizaje automático con modelos hidrológicos tradicionales es un enfoque esencial para mejorar las capacidades de modelado del escurrimiento de los modelos hidrológicos. Sin embargo, la investigación sobre el impacto de los modelos mixtos en la capacidad de simulación del escurrimiento es limitada. Por lo tanto, este estudio utiliza el modelo hidrológico tradicional Modelo Hidrológico Diario Simplificado (SIMHYD) y el modelo de aprendizaje automático Memoria a Largo y Corto Plazo (LSTM) para construir dos modelos acoplados: un modelo de acoplamiento directo y un modelo híbrido de validez predictiva mejorada dinámicamente. Estos modelos fueron evaluados utilizando el conjunto de datos CAMELS de EE. UU. para evaluar el impacto de los dos métodos de combinación de modelos en las capacidades de modelado del escurrimiento. Los resultados indican que las capacidades de modelado del escurrimiento de ambos métodos de combinación mejoraron en comparación con los modelos individuales, siendo el modelo de pronóstico combinado para la efectividad de predicción dinámica (DPE) el que demostró la mejor capacidad de modelado. En comparación con LSTM, el modelo mixto mostró un aumento mediano del 12.8% en la eficiencia de Nash Sutcliffe (NSE) del escurrimiento diario durante el período de validación, y un aumento del 12.5% en comparación con SIMHYD. Además, en comparación con el modelo LSTM, la eficiencia de Nash Sutcliffe (NSE) mediana del modelo híbrido que simula resultados de flujo alto aumentó en un 23.6%, y en comparación con SIMHYD, aumentó en un 28.4%. Al mismo tiempo, la estabilidad del modelo híbrido que simula flujo bajo mejoró significativamente. En las pruebas de rendimiento que involucraron diferentes longitudes de períodos de entrenamiento, el modelo DPE entrenado durante 12 años mostró el mejor rendimiento, mostrando un aumento del 3.5% y del 1.5% en la NSE mediana en comparación con períodos de entrenamiento de 6 años y 18 años, respectivamente.
Descripción
Las incertidumbres inherentes en los modelos hidrológicos tradicionales presentan desafíos significativos para simular con precisión el escurrimiento. Combinar modelos de aprendizaje automático con modelos hidrológicos tradicionales es un enfoque esencial para mejorar las capacidades de modelado del escurrimiento de los modelos hidrológicos. Sin embargo, la investigación sobre el impacto de los modelos mixtos en la capacidad de simulación del escurrimiento es limitada. Por lo tanto, este estudio utiliza el modelo hidrológico tradicional Modelo Hidrológico Diario Simplificado (SIMHYD) y el modelo de aprendizaje automático Memoria a Largo y Corto Plazo (LSTM) para construir dos modelos acoplados: un modelo de acoplamiento directo y un modelo híbrido de validez predictiva mejorada dinámicamente. Estos modelos fueron evaluados utilizando el conjunto de datos CAMELS de EE. UU. para evaluar el impacto de los dos métodos de combinación de modelos en las capacidades de modelado del escurrimiento. Los resultados indican que las capacidades de modelado del escurrimiento de ambos métodos de combinación mejoraron en comparación con los modelos individuales, siendo el modelo de pronóstico combinado para la efectividad de predicción dinámica (DPE) el que demostró la mejor capacidad de modelado. En comparación con LSTM, el modelo mixto mostró un aumento mediano del 12.8% en la eficiencia de Nash Sutcliffe (NSE) del escurrimiento diario durante el período de validación, y un aumento del 12.5% en comparación con SIMHYD. Además, en comparación con el modelo LSTM, la eficiencia de Nash Sutcliffe (NSE) mediana del modelo híbrido que simula resultados de flujo alto aumentó en un 23.6%, y en comparación con SIMHYD, aumentó en un 28.4%. Al mismo tiempo, la estabilidad del modelo híbrido que simula flujo bajo mejoró significativamente. En las pruebas de rendimiento que involucraron diferentes longitudes de períodos de entrenamiento, el modelo DPE entrenado durante 12 años mostró el mejor rendimiento, mostrando un aumento del 3.5% y del 1.5% en la NSE mediana en comparación con períodos de entrenamiento de 6 años y 18 años, respectivamente.