Покращення гідрологічної моделі щоденних прогнозів стоку в водотоках з дефіцитом даних шляхом інтеграції CNN-LSTM з фізичними процесами

Автори Kushagra Kulshreshtha1, Nimesh Raj2, Sohini Chowdhury3, Yatika Gori4, Anurag Shrivastava5, A. Kakoli Rao6, Akhil Sankhyan7 , P. William8
Афіліація

1Institute of Business Management, GLA University, 281406 Mathura, Uttar Pradesh, India

2Centre of Research Impact and Outcome, Chitkara University, 140417 Rajpura, Punjab, India

3Centre of Research Impact and Outcome, Chitkara University, 140401 Rajpura, Punjab, India

4Department of Mechanical Engineering, Graphic Era Deemed to be University, Dehradun, India

5Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, TN, India

6Lloyd Institute of Engineering & Technology, Greater Noida, India

7Lloyd Law College, Greater Noida, India

8Department of Information Technology, Sanjivani College of Engineering, Kopargaon, MH, India

Е-mail kushagra.kulshrestha@gla.ac.in
Випуск Том 16, Рік 2024, Номер 6
Дати Одержано 25 серпня 2024; у відредагованій формі 14 грудня 2024; опубліковано online 23 грудня 2024
Цитування Kushagra Kulshreshtha, Nimesh Raj, Sohini Chowdhury, та ін., Ж. нано- електрон. фіз. 16 № 6, 06021 (2024)
DOI https://doi.org/10.21272/jnep.16(6).06021
PACS Number(s) 92.40. – t, 92.70.Np
Ключові слова Добовий стік, Гідрологічна модель, CNN-LSTM, WRF.
Анотація

Щоденне прогнозування потоків у водотоках із невеликою кількістю даних має важливе значення для ефективного управління водними ресурсами та зміни клімату. Особливо в районах з рідкісними даними спостережень географічна та часова складність гідрологічних систем становить значну проблему для традиційних гідрологічних моделей. У цьому дослідженні ми пропонуємо інноваційний підхід для покращення щоденних прогнозів стоку шляхом інтеграції архітектури згорткової нейронної мережі з довготривалою короткочасною пам’яттю (CNN-LSTM) із фізичними процесами та використання моделі дослідження та прогнозування погоди (WRF) для гідрологічного процесу. Мета полягає в тому, щоб покращити здатність моделі WRF фіксувати складну взаємодію між погодними умовами та динамікою потоку шляхом поєднання цієї основи глибокого навчання з фізичними процесами, які визначають модель. Для більш точного зображення гідрологічної системи модель WRF, добре відома своїм моделюванням атмосфери з високою роздільною здатністю, надає детальні метеорологічні дані. Ефективність запропонованого методу оцінюється за допомогою показників RMSE (5,14), MAE (6,85), MEDAE (5,97), а також R2 (12,05) і порівнюється з існуючими методами. Поєднання CNN-LSTM і WRF пропонує багатообіцяючий шлях для підвищення точності та надійності гідрологічних моделей, що має вирішальне значення для прийняття обґрунтованих рішень щодо управління водними ресурсами та стійкості до клімату.

Перелік цитувань