Title: | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
Authors: | Merizalde Mora, María José |
metadata.dc.contributor.advisor: | Célleri Alvear, Rolando Enrique |
metadata.dc.contributor.tutor: | Muñoz Pauta, Paul Andrés |
metadata.dc.description.uri: | 0000-0002-7683-3768 0000-0002-8000-8840 |
metadata.dc.subject.other: | CIUC::Ciencias de la Tierra::Hidrología::Precipitación |
Keywords: | Ingeniería Civil Hidrología Andes tropicales Pronósticos fluviales Método SCS-CN |
Issue Date: | 5-Jun-2023 |
metadata.dc.format.extent: | 43 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.type: | submittedVersion |
Abstract: | Hydrological forecasting in complex mountain basins is a challenging task. The performance of
machine learning forecasting models can be improved by exploiting available spatial rainfall
datasets and by incorporating process-based hydrological knowledge, both using feature
engineering (FE) strategies. In this study, we assessed the improvement in developing short-term
runoff forecasting models using the long short-term memory (LSTM) networks. The selected FE
strategies were based on GIS and the Soil Conservation Service Curve Number (SCS-CN)
method. To demonstrate the usefulness of the selected FE strategies, we developed referential
and specialized (with FE strategies) models for a 3390-km2 basin using the GSMaP-NRT satellite
precipitation product (SPP). We developed forecasting models for lead times of 1, 6, and 11 h to
account for near-real-time forecasting, flash floods, and concentration time of the basin,
respectively. Our results show that the proposed FE strategies improved the efficiencies of LSTM
referential models for all lead times, with Nash-Sutcliffe efficiency values of 0.93 (1 h), 0.77 (6 h),
and 0.67 (11 h). The utility of the developed models exploiting non-validated satellite precipitation
is demonstrated because the results are comparable to those of other studies using ground
precipitation information. The proposed methodology and insights from this study provide
hydrologists with new tools for developing advanced data-driven runoff models that integrate
available geographic information into other precipitation-ungauged hydrological systems. |
Description: | El pronóstico hidrológico en cuencas montañosas complejas es una tarea difícil. El rendimiento
de los modelos de pronóstico basados en técnicas de aprendizaje automático puede mejorarse
explotando los conjuntos de datos espaciales de precipitación disponibles e incorporando
conocimientos hidrológicos basados en procesos, ambos mediante estrategias de ingeniería de
características (FE). En este estudio, evaluamos la mejora en el desarrollo de modelos de
previsión de escorrentía a corto plazo utilizando las redes Long Short-Term Memory (LSTM). Las
estrategias de FE seleccionadas se basaron en Sistemas de Información Geográfica (SIG) y en
el método del Número de Curva del Servicio de Conservación del Suelo (SCS-CN). Para
demostrar la utilidad de las estrategias FE seleccionadas, desarrollamos modelos referenciales
y especializados (con estrategias FE) para una cuenca de 3390 km2 utilizando el producto de
precipitación por satélite GSMaP-NRT (SPP). Desarrollamos modelos de pronóstico para plazos
de 1, 6 y 11 h para tener en cuenta pronósticos en tiempo casi real, las crecidas repentinas y el
tiempo de concentración de la cuenca, respectivamente. Nuestros resultados muestran que las
estrategias de EF propuestas mejoraron las eficiencias de los modelos referenciales LSTM para
todas las ventanas de pronóstico, con valores de eficiencia de Nash-Sutcliffe de 0,93 (1 h), 0,77
(6 h) y 0,67 (11 h). Se demuestra la utilidad de los modelos desarrollados explotando productos
de precipitación satelital no validadas, ya que los resultados son comparables a los de otros
estudios que utilizan información de precipitaciones medida in situ. La metodología propuesta y
las conclusiones de este estudio proporcionan a los hidrólogos nuevas herramientas para
desarrollar modelos avanzados de pronóstico de caudal basados en datos en otros sistemas
hidrológicos que carezcan de información medida en tierra y dispongan de información
geográfica. |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/42021 |
metadata.dc.relation.ispartof: | TM4;2081 |
metadata.dcterms.description: | Magíster en Hidrología mención Ecohidrología |
Appears in Collections: | Tesis Maestrías
|