Enhancing Hydrological Model Daily Streamflow Predictions in Data-Scarce Watercourses by Integrating CNN-LSTM with Physical Processes

Abstract

Щоденне прогнозування потоків у водотоках із невеликою кількістю даних має важливе значення для ефективного управління водними ресурсами та зміни клімату. Особливо в районах з рідкісними даними спостережень географічна та часова складність гідрологічних систем становить значну проблему для традиційних гідрологічних моделей. У цьому дослідженні ми пропонуємо інноваційний підхід для покращення щоденних прогнозів стоку шляхом інтеграції архітектури згорткової нейронної мережі з довготривалою короткочасною пам’яттю (CNN-LSTM) із фізичними процесами та використання моделі дослідження та прогнозування погоди (WRF) для гідрологічного процесу. Мета полягає в тому, щоб покращити здатність моделі WRF фіксувати складну взаємодію між погодними умовами та динамікою потоку шляхом поєднання цієї основи глибокого навчання з фізичними процесами, які визначають модель. Для більш точного зображення гідрологічної системи модель WRF, добре відома своїм моделюванням атмосфери з високою роздільною здатністю, надає детальні метеорологічні дані. Ефективність запропонованого методу оцінюється за допомогою показників RMSE (5,14), MAE (6,85), MEDAE (5,97), а також R2 (12,05) і порівнюється з існуючими методами. Поєднання CNN-LSTM і WRF пропонує багатообіцяючий шлях для підвищення точності та надійності гідрологічних моделей, що має вирішальне значення для прийняття обґрунтованих рішень щодо управління водними ресурсами та стійкості до клімату.

Daily streamflow prediction in data-sparse watercourses is significant for efficient water resource management and climate change variations. Especially in areas with sparse observational data, the geographical and temporal complexity of hydrological systems presents a significant challenge for traditional hydrological models. In this research, we offer an innovative approach for improving daily streamflow predictions by integrating the Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) architecture with physical processes and utilizing the Weather Research and Forecasting (WRF) model for the hydrological process. The objective is to improve the WRF model's capability of capturing the complex interactions between weather conditions and streamflow dynamics by combining this deep learning framework with the physical processes that define the model. For a more precise depiction of the hydrological system, the WRF model, well-known for its high-resolution atmospheric simulations, provides fine-grained meteorological inputs. The performance of the suggested method is evaluated using RMSE (5.14), MAE (6.85), MEDAE (5.97) as well as R2 (12.05) metrics and they are compared to existing methods. The combination of CNN-LSTM and WRF offers a promising path for improving the accuracy and reliability of hydrological models, which is critical for informed decision-making in water resource management and climate resilience.