{rfName}
Co

Indexat a

Llicència i ús

Altmetrics

Anàlisi d'autories institucional

Mortazavizadeh FAutor o coautor

Compartir

5 dejuny de 2023
Publicacions
>
Article
No

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

Malaya Univ, Civil Engn Dept, Kuala Lumpur, Malaysia - Autor o coautor
The University of Alabama - Autor o coautor
UCSI Univ, Fac Engn, Dept Civil Engn, Kuala Lumpur, Malaysia - Autor o coautor
UCSI University - Autor o coautor
Univ Alabama, Dept Civil Environm & Construct Engn, Tuscaloosa, AL 35401 USA - Autor o coautor
Univ Politecn Madrid, Madrid, Spain - Autor o coautor
Universidad Politécnica de Madrid - Autor o coautor
Universiti Malaya - Autor o coautor
Veure més

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

cnnconvlstmdeep learning methodsforecastingCnnConvlstmDeep learning methodsForecastingStreamflow

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 2025-07-07, el següent nombre de cites:

  • WoS: 63
  • Scopus: 65

Impacte i visibilitat social

Des de la dimensió d'influència o adopció social, i prenent com a base les mètriques associades a les mencions i interaccions proporcionades per agències especialitzades en el càlcul de les denominades "Mètriques Alternatives o Socials", podem destacar a data 2025-07-07:

  • L'ús d'aquesta aportació en marcadors, bifurcacions de codi, afegits a llistes de favorits per a una lectura recurrent, així com visualitzacions generals, indica que algú està fent servir la publicació com a base del seu treball actual. Això pot ser un indicador destacat de futures cites més formals i acadèmiques. Aquesta afirmació està avalada pel resultat de l'indicador "Capture", que aporta un total de: 110 (PlumX).

Anàlisi del lideratge dels autors institucionals

Aquest treball s'ha realitzat amb col·laboració internacional, concretament amb investigadors de: Malaysia; United States of America.