Уважаемые коллеги, доброго времени суток! Мы начинаем обзор изданий в области Науки о воде и связанных технологиях. Сегодня хотим представить вашему вниманию нидерландское научное издание Water Resources Management. Журнал имеет первый квартиль, издаётся в Springer Netherlands, его SJR за 2021 г. равен 0,929, пятилетний импакт-фактор - 3,868, печатный ISSN - 0920-4741, электронный - 1573-1650, предметные области - Наука о воде и связанных технологиях, Строительно-монтажное проектирование. Вот так выглядит обложка:
Редактором является Георг Тсакирис, контактные данные - gtsakir@central.ntua.gr.
Дополнительные публикационные контакты - Mark.Compendio@springernature.com, karenmae.fua@springernature.com, journalpermissions@springernature.com, petra.vansteenbergen@springer.com.
Это международный междисциплинарный форум для представления оригинальных материалов и обмена знаниями и опытом в области управления водными ресурсами. В частности, в журнале публикуются материалы по следующим темам: оценка, развитие, сохранение и контроль водных ресурсов (с акцентом на политику и стратегии), планирование и проектирование систем водных ресурсов, эксплуатация, техническое обслуживание и управление системами водных ресурсов. Следующие области также освещаются в журнале, поскольку они тесно связаны с вышеизложенным: спрос и потребление воды, прикладная гидрология поверхностных и подземных вод, методы управления водными ресурсами, моделирование и моделирование систем водных ресурсов, прогнозирование и контроль количества и качества воды, экономические и социальные аспекты водопользования, законодательство и охрана водных ресурсов. Журнал поддерживается с научной точки зрения Европейской Ассоциацией водных ресурсов, научно-технической некоммерческой европейской ассоциацией. Таким образом, он играет решающую роль в достижении целей Ассоциации, которые заключаются в содействии исследованиям и применению научных знаний в практической инженерной деятельности, а также в укреплении европейского и международного сотрудничества в области управления водными ресурсами.
Адрес издания - https://www.springer.com/journal/11269
Пример статьи, название - Scale Effects of the Monthly Streamflow Prediction Using a State-of-the-art Deep Learning Model. Заголовок (Abstract) - The accurate prediction of monthly streamflow is important in sustainable water resources planning and management. There is a growing interest in the development of deep learning models for monthly streamflow prediction with the advances in computer sciences. This study aims at investigating the spatial and temporal scale effects on predictive performance when using the deep learning model for monthly streamflow prediction. To achieve this goal, a hybrid deep learning prediction model combining Convolutional Neural Network and Gated Recurrent Unit (i.e., CNN-GRU) was first proposed and applied to many watersheds with varying hydroclimatic characteristics around globe. The Nash–Sutcliffe efficiency coefficient (NSE) and mean relative error (MRE) are used as criteria to evaluate the predictive performance. The results show that the deep learning model is more suitable for monthly streamflow predictions on watersheds with large drainage areas. The drainage area of 3,000 km2 can be considered as a threshold for the predictive performance. The median NSE increases from 0.31 to 0.40, while the median MRE decreases from 53.2% to 46.2% for watersheds with areas larger than 3,000 km2 compared with those with areas smaller than 3,000 km2. In addition, the predictive performance tends to get better with the extension of a training period for the model. When the length of the training period increases stepwise from 10 to 50 years, there is a large increase in NSE (from 0.28 to 0.40) and a moderate decrease in MRE (from 50.3% to 46.2%) for watersheds with areas larger than 3,000 km2. Similar changes can also be found for watersheds smaller than 3,000 km2. The 25- to 35-year training period is the minimum length to obtain a stable predictive performance for most watersheds. Keywords: Monthly streamflow prediction; Deep learning; Training period length; Watershed area; CNN-GRU model