Journal of Hydroinformatics· 2026Q2
Mamba ve Açıklanabilir Yapay Zeka Uzun Vadeli Akış Tahminini Geliştiriyor
Advancing long-horizon hydrological forecasting: a Mamba-based approach with explainable AI for generalized streamflow prediction
- 2atıf
- Q2SCImago
- 2026yıl
Kısa özet
Mamba tabanlı bir model, 125 Iowa havzasında 120 saatlik akış tahminlerinde Transformatörlere kıyasla karşılaştırılabilir ve bazı açılardan üstün doğruluk sağladı; açıklanabilir yapay zeka ise farklı özellik kullanım örüntülerini ortaya çıkardı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Mamba mimarisi, 125 Iowa havzasında 120 saatlik akış tahmini doğruluğunda Transformatörlere kıyasla eşdeğer veya üstün bir performans sergiledi.
- Mamba ve Transformatör modelleri, Persistence, LSTM, GRU ve Seq2Seq modellerini önemli ölçüde geride bıraktı.
- Açıklanabilir yapay zeka (SHapley Additive exPlanations), farklı özellik kullanım örüntülerini ortaya çıkararak model şeffaflığını artırdı.
- Çalışma, Nash–Sutcliffe verimliliği, Kling–Gupta verimliliği, Pearson's r ve normalize edilmiş ortalama karekök hatası kullanılarak Mamba'yı birden fazla yerleşik hidrolojik tahmin modeliyle karşılaştırıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
ABSTRACT Accurate long-horizon streamflow forecasting is crucial for water resource management, but existing models often face efficiency and interpretability challenges. This study comprehensively evaluates the Mamba architecture, which utilizes state-space models (SSMs) for efficient sequence processing, for 120-h hourly generalized streamflow prediction across 125 diverse Iowa watersheds using 72-h historical inputs. Performance was benchmarked against Persistence, long short-term memory, gated recurrent unit, Seq2Seq, and Transformer models employing Nash–Sutcliffe efficiency, Kling–Gupta efficiency, Pearson's r, and normalized root-mean-square error. Results demonstrate that Mamba architecture achieves predictive accuracy comparable to, and in several aspects marginally exceeding, the robust Transformer baseline, with both models significantly outperforming other established methods. Critically, explainable AI usingSHapley Additive exPlanations values provided insights into tested models' decision-making, revealing distinct feature utilization patterns and enhancing model transparency. This research highlights Mamba's potential as an efficient, accurate, and interpretable alternative for advancing operational long-range hydrological forecasting.
Yazarların özeti; kaynağından alınmıştır. Journal of Hydroinformatics, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Environmental EngineeringEnvironmental Science