Comparative Analysis on Snowmelt-Driven Streamflow Forecasting Using Machine Learning Techniques

机器学习技术的快速发展已经导致它们在包括水资源在内的各个领域得到广泛应用。然而，雪融模型仍然是一个没有被广泛探索的领域。在这项研究中，我们提出了一种最先进的深度学习序列模型，利用时间卷积网络（TCN），用于喜马拉雅山脉的喜马拉雅山区域中雪融驱动的径流建模。为了评估我们提出的模型的性能，我们与其他流行模型进行了比较分析，包括支持向量回归（SVR）、长短期记忆（LSTM）和Transformer。此外，使用五个外部折叠和三个内部折叠的嵌套交叉验证（CV），并在内部折叠上进行超参数调整。为了评估模型的性能，对于每个外部折叠，计算平均绝对误差（MAE）、均方根误差（RMSE）、R平方（$R^{2}$）、Kling-Gupta效率（KGE）和Nash-Sutcliffe效率（NSE）。平均指标表明，TCN的表现优于其他模型，平均MAE为0.011，RMSE为0.023，$R^{2}$为0.991，KGE为0.992，NSE为0.991。本研究的发现表明，与传统的机器学习方法相比，深度学习模型在雪融驱动的径流预测方面具有很好的效果。此外，TCN的优越性能凸显了它作为类似水文应用的有前途的深度学习模型的潜力。

使用深度学习模型预测喜马拉雅盆地的雪融驱动径流模型，解决了雪融模型在水资源领域中的应用问题。

文章提出了一种基于TCN的深度学习时序模型，相比于传统的机器学习模型，该模型在雪融驱动径流模型预测中表现更好。

文章使用了Nested cross-validation进行模型评估，并与其他流行的机器学习模型进行了比较。实验结果表明，TCN模型表现最佳，具有很高的预测精度和效率。此外，TCN模型的优异表现也为类似的水文应用提供了新的深度学习模型选择。

最近的相关研究包括：《A deep learning framework for streamflow forecasting using generative adversarial networks》、《A deep learning approach for short-term streamflow forecasting using LSTM neural networks》等。