Comparative evaluation of LSTM, CNN, and ConvLSTM for hourly short-term streamflow forecasting using deep learning approaches
Publicat a:Ecological Informatics. 75 102119- - 2023-07-01 75(), DOI: 10.1016/j.ecoinf.2023.102119
Autors: Dehghani, A; Moazam, HMZH; Mortazavizadeh, F; Ranjbar, V; Mirzaei, M; Mortezavi, S; Ng, JL; Dehghani, A
Afiliacions
Resum
This study investigates the effectiveness of three deep learning methods, Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), and Convolutional Long Short-Term Memory (ConvLSTM), in short-term streamflow forecasting in the Kelantan and Muda River basins in Malaysia. The ability to forecast streamflow in the short-term is crucial for water resource management to prevent disasters such as floods. Hourly streamflow and rainfall data from the two river basins were used to evaluate the accuracy of the methods at one-hour, three-hour, and six-hour prediction intervals. The results showed that all three deep learning methods performed with high accuracy in predicting streamflow. The study also found that LSTM performed better in small basin with well spatial distributed rainfall stations, while CNN and ConvLSTM were more effective in moderate to high streamflow, and large river basin. Moreover, early prediction intervals had better accuracy compared to later ones. The findings of this study demonstrate the potential of using deep learning methods for short-term streamflow forecasting in water resource management. The study highlights the importance of accurate short-term streamflow forecasting and emphasizes the potential of using deep learning algorithms to achieve this goal.
Paraules clau
Indicis de qualitat
Impacte bibliomètric. Anàlisi de la contribució i canal de difusió
El treball ha estat publicat a la revista Ecological Informatics a causa de la seva progressió i el bon impacte que ha aconseguit en els últims anys, segons l'agència WoS (JCR), s'ha convertit en una referència en el seu camp. A l'any de publicació del treball, 2023, es trobava a la posició 16/197, aconseguint així situar-se com a revista Q1 (Primer Cuartil), en la categoria Ecology. Destacable, igualment, el fet que la revista està posicionada per sobre del Percentil 90.
Aquesta publicació ha estat distingida com a “Highly Cited Paper” segons les agències WoS (ESI, Clarivate) i ESI (Clarivate), el que significa que se situa dins del 1% superior dels articles més citats en el seu camp temàtic durant l'any de la seva publicació. En termes de l'impacte observat de l'aportació, aquest treball és considerat com un dels més influents a nivell mundial, en ser considerat com a altament citat. (font consultada: ESI 14 Nov 2024)
I així ho demostren els altíssims impactes normalitzats a través d'alguns dels principals indicadors d'aquest tipus, i que encara que dinàmics en el temps i dependents del conjunt de citacions mitjanes mundials en el moment del seu càlcul, ja apunten a estar molt per sobre de la mitjana en diferents agències:
- Normalització de cites relatives a la taxa de citació esperada (ESI) de l'agència Clarivate: 15.04 (font consultada: ESI 14 Nov 2024)
- Mitjana Ponderada de l'Impacte Normalitzat de l'agència Scopus: 15.12 (font consultada: FECYT Febr 2024)
Concretament, i atenent a les diferents agències d'indexació, aquest treball ha acumulat, fins a la data 2025-07-25, el següent nombre de cites:
- WoS: 63
- Scopus: 65
Impacte i visibilitat social
Anàlisi del lideratge dels autors institucionals
Aquest treball s'ha realitzat amb col·laboració internacional, concretament amb investigadors de: Malaysia; United States of America.