Prévision quotidienne du débit dans des bassins versants montagneux utilisant XGBoost, LightGBM et CatBoost

La prévision des débits dans les bassins versants montagneux est et restera l'une des tâches hydrologiques importantes. Au cours des dernières années, les modèles d'apprentissage automatique sont de plus en plus utilisés pour de telles prévisions. Une comparaison directe de l'utilisation des trois modèles de gradient boosting (XGBoost, LightGBM et CatBoost) pour prévoir le débit quotidien dans un bassin versant montagneux est notre principale contribution. Comme prédicteurs, nous utilisons les précipitations quotidiennes, le débit à une station de mesure en amont et les observations des deux jours précédents. Tous les trois algorithmes sont simples à mettre en œuvre en Python, rapides et robustes. Comparés aux modèles d'apprentissage profond (comme LSTM), ils permettent une interprétation facile de la signification des prédicteurs. Tous les modèles testés ont atteint une efficacité de modèle Nash-Sutcliffe (NSE) dans la plage de 0,85 à 0,89 et une RMSE dans la plage de 6,8 à 7,8 m3s−1. Un minimum de 12 ans de séries de données d'entraînement est requis pour un tel résultat. Le XGBoost ne s'est pas avéré être le meilleur modèle pour la prévision quotidienne du débit, bien qu'il soit le modèle le plus populaire. En utilisant les paramètres par défaut du modèle, les meilleurs résultats ont été obtenus avec CatBoost. En optimisant les hyperparamètres, les meilleurs résultats de prévision ont été obtenus par LightGBM. Les différences entre les résultats des modèles sont beaucoup plus petites que les différences au sein des modèles eux-mêmes lorsque des hyperparamètres sous-optimaux sont utilisés.