.png){kind=icon}
返回
Long-term river flow forecasting: An integrated deep learning model with multi-scale feature extraction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127387.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
河流流量预测对于水资源管理、防洪和环境可持续性至关重要。尽管许多深度学习模型已应用于河流流量预测，但它们常面临预测时长有限和精度不足等挑战。本研究提出了一种基于多尺度特征提取的集成深度学习模型，以提升长期河流流量预测的精度。该模型整合了多尺度特征提取模块和情境感知模块。前者负责在多尺度上捕捉河流流量的多样化特征，后者则进一步分析和建模这些特征。这些模块共同增强了模型在长期河流流量预测中的性能。在一河流流量数据集上的实验结果（预测未来120小时的流量）表明，所提出的模型能保持高精度，从而验证了其对长期河流流量预测的有效性。
Keyword:
Hydrological forecasting
Deep learning model
Temporal feature analysis
Water resource management
Flood control
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Goodness-of-fit criteria for hydrological models: Model calibration and performance assessment水文模型的拟合优度标准: 模型校准和性能评估.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏How much extreme weather events have affected European power generation in the past three decades?
OAAI
OAAI分享收藏A surrogate modeling method for distributed land surface hydrological models based on deep learningJOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏WaterBench-Iowa: a large-scale benchmark dataset for data-driven streamflow forecastingWaterbench-iowa: 用于数据驱动的流预测的大规模基准数据集
OAAI
OAAI分享收藏The timing of unprecedented hydrological drought under climate changeNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏
查看更多内容