Zum Hauptinhalt springen

Deep Learning Approach with LSTM for Daily Streamflow Prediction in a Semi-Arid Area: A Case Study of Oum Er-Rbia River Basin, Morocco

Nifa, Karima ; Boudhar, Abdelghani ; et al.
In: Water, Jg. 15 (2023), Heft 2, S. 262
Online academicJournal

Titel:
Deep Learning Approach with LSTM for Daily Streamflow Prediction in a Semi-Arid Area: A Case Study of Oum Er-Rbia River Basin, Morocco
Autor/in / Beteiligte Person: Nifa, Karima ; Boudhar, Abdelghani ; Ouatiki, Hamza ; Elyoussfi, Haytam ; Bargam, Bouchra ; Chehbouni, Abdelghani
Link:
Zeitschrift: Water, Jg. 15 (2023), Heft 2, S. 262
Veröffentlichung: MDPI AG, 2023
Medientyp: academicJournal
ISSN: 2073-4441 (print)
DOI: 10.3390/w15020262
Schlagwort:
  • water resource management
  • semi-arid region
  • daily streamflow prediction
  • deep learning
  • LSTM
  • sequence length
  • Hydraulic engineering
  • TC1-978
  • Water supply for domestic and industrial purposes
  • TD201-500
Sonstiges:
  • Nachgewiesen in: Directory of Open Access Journals
  • Sprachen: English
  • Collection: LCC:Hydraulic engineering ; LCC:Water supply for domestic and industrial purposes
  • Document Type: article
  • File Description: electronic resource
  • Language: English

Klicken Sie ein Format an und speichern Sie dann die Daten oder geben Sie eine Empfänger-Adresse ein und lassen Sie sich per Email zusenden.

oder
oder

Wählen Sie das für Sie passende Zitationsformat und kopieren Sie es dann in die Zwischenablage, lassen es sich per Mail zusenden oder speichern es als PDF-Datei.

oder
oder

Bitte prüfen Sie, ob die Zitation formal korrekt ist, bevor Sie sie in einer Arbeit verwenden. Benutzen Sie gegebenenfalls den "Exportieren"-Dialog, wenn Sie ein Literaturverwaltungsprogramm verwenden und die Zitat-Angaben selbst formatieren wollen.

xs 0 - 576
sm 576 - 768
md 768 - 992
lg 992 - 1200
xl 1200 - 1366
xxl 1366 -