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

机器学习技术的迅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。在本研究中，我们提出了一种最先进的深度学习顺序模型，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，我们使用了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了超参数调整。为了评估模型的性能，我们计算了每个外部折叠的平均绝对误差（MAE）、均方根误差（RMSE）、R平方（$R^{2}$）、Kling-Gupta效率（KGE）和Nash-Sutcliffe效率（NSE）。平均指标显示，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，深度学习模型对于基于雪融驱动的径流预测具有更好的效果。此外，TCN的卓越性能突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。

本论文旨在探索利用深度学习模型进行雪融驱动的径流建模，解决传统机器学习方法在该领域应用不足的问题。

论文提出了一种基于Temporal Convolutional Network (TCN)的深度学习模型，通过与传统机器学习方法如Support Vector Regression (SVR), Long Short Term Memory (LSTM), and Transformer的比较，证明了TCN在雪融驱动的径流预测方面的优越性。

论文使用了Nested cross-validation (CV)方法进行模型评估，并计算了MAE、RMSE、$R^{2}$、KGE和NSE等指标。实验结果表明，TCN模型的表现优于其他传统机器学习方法，具有很高的预测精度。此外，TCN模型的优越性也表明了其在类似水文应用中的潜力。

在该领域的相关研究包括：1. 'A comparison of machine learning techniques for streamflow prediction in arid and semi-arid regions'；2. 'Snowmelt runoff simulation in the Himalayas using a distributed hydrological model'；3. 'A comparison of deep learning models for streamflow forecasting in a semi-arid watershed'.