Intercomparison of deep learning models in predicting streamflow patterns: insight from CMIP6

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Bakheit ) > Intercomparison of ...

1 av 7
Föregående post
Nästa post
Till träfflistan

Intercomparison of deep learning models in predicting streamflow patterns: insight from CMIP6

Anwar, Hamid (författare): Department of Civil Engineering, University of Engineering and Technology, 25000, Peshawar, Pakistan

Khan, Afed Ullah (författare): Department of Civil Engineering, University of Engineering and Technology, 25000, Peshawar, Pakistan

Ullah, Basir (författare): Department of Civil Engineering, University of Engineering and Technology, 25000, Peshawar, Pakistan

visa fler...

Taha, Abubakr Taha Bakheit (författare): Department of Civil Engineering, College of Engineering, Prince Sattam Bin Abdulaziz University, 11942, Al-Kharj, Saudi Arabia; Department of Civil Engineering, Faculty of Engineering, Red Sea University, 36481, Port, Sudan

Najeh, Taoufik (författare): Luleå tekniska universitet,Drift, underhåll och akustik

Badshah, Muhammad Usman (författare): Water and Power Division, Peshawar, Pakistan

Ghanim, Abdulnoor A. J. (författare): Civil Engineering Department, College of Engineering, Najran University, 61441, Najran, Saudi Arabia

Irfan, Muhammad (författare): Electrical Engineering Department, College of Engineering, Najran University Saudi Arabia, 61441, Najran, Saudi Arabia

visa färre...

(creator_code:org_t)

Springer Nature, 2024
2024
Engelska.
Ingår i: Scientific Reports. - : Springer Nature. - 2045-2322. ; 14

Relaterad länk:: https://doi.org/10.1...; visa fler...; https://ltu.diva-por... (primary) (Raw object); https://urn.kb.se/re...; https://doi.org/10.1...; visa färre...

Tidskriftsartikel (refereegranskat)

Abstract Ämnesord

Stäng

This research was carried out to predict daily streamflow for the Swat River Basin, Pakistan through four deep learning (DL) models: Feed Forward Artificial Neural Networks (FFANN), Seasonal Artificial Neural Networks (SANN), Time Lag Artificial Neural Networks (TLANN) and Long Short-Term Memory (LSTM) under two Shared Socioeconomic Pathways (SSPs) 585 and 245. Taylor Diagram, Random Forest, and Gradient Boosting techniques were used to select the best combination of General Circulation Models (GCMs) for Multi-Model Ensemble (MME) computation. MME was computed via the Random Forest technique for Maximum Temperature (Tmax), Minimum Temperature (Tmin), and precipitation for the aforementioned three techniques. The best MME for Tmax, Tmin, and precipitation was rendered by Compromise Programming. The DL models were trained and tested using observed precipitation and temperature as independent variables and discharge as dependent variables. The results of deep learning models were evaluated using statistical performance indicators such as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), and coefficient of determination (R2). The TLANN demonstrated superior performance compared to the other models based on RMSE, MSE, MAE, and R2 during training (65.25 m3/s, 4256.97 m3/s, 46.793 m3/s and 0.7978) and testing (72.06 m3/s, 5192.95 m3/s, 51.363 m3/s and 0.7443) respectively. Subsequently, TLANN was utilized to make predictions based on MME of SSP245 and SSP585 scenarios for future streamflow until the year 2100. These results can be used for planning, management, and policy-making regarding water resources projects in the study area.

Ämnesord

NATURVETENSKAP -- Geovetenskap och miljövetenskap -- Klimatforskning (hsv//swe)
NATURAL SCIENCES -- Earth and Related Environmental Sciences -- Climate Research (hsv//eng)
NATURVETENSKAP -- Geovetenskap och miljövetenskap -- Oceanografi, hydrologi och vattenresurser (hsv//swe)
NATURAL SCIENCES -- Earth and Related Environmental Sciences -- Oceanography, Hydrology and Water Resources (hsv//eng)
TEKNIK OCH TEKNOLOGIER -- Samhällsbyggnadsteknik -- Geoteknik (hsv//swe)
ENGINEERING AND TECHNOLOGY -- Civil Engineering -- Geotechnical Engineering (hsv//eng)

Nyckelord

CMIP6
Deep learning
GCM
Prediction
Streamflow
Operation and Maintenance Engineering
Drift och underhållsteknik

Publikations- och innehållstyp

ref (ämneskategori)
art (ämneskategori)

Hitta via bibliotek

Scientific Reports (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 7
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Anwar, Hamid; Khan, Afed Ullah; Ullah, Basir; Taha, Abubakr Ta ...; Najeh, Taoufik; Badshah, Muhamma ...; visa fler...; Ghanim, Abdulnoo ...; Irfan, Muhammad; visa färre...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Geovetenskap och ...; och Klimatforskning

NATURVETENSKAP: NATURVETENSKAP; och Geovetenskap och ...; och Oceanografi hydr ...

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Samhällsbyggnads ...; och Geoteknik

Artiklar i publikationen: Scientific Repor ...

Av lärosätet: Luleå tekniska universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se