Application of temporal convolutional network for flood forecasting | Hydrology Research | IWA Publishing

1 Calibration EIESM 0.8667 49.1452 14.9225 ANN 0.9544 10.3626 1.4078 LSTM 0.9802 9.2594 0.7345 TCN 0.9848 8.8991 0.5612 TCN (NDVI) 0.9874 8.3301 0.5364 Validation EIESM 0.8416 54.5497 15.1129 ANN 0.9463 12.5921 1.5247 LSTM 0.9766 9.5869 0.7542 TCN 0.9798 9.1584 0.5716 TCN (NDVI) 0.9819 8.5426 0.5447 6 Calibration EIESM 0.7504 63.5939 27.4180 ANN 0.7929 56.1515 20.0869 LSTM 0.8665 48.1196 15.4171 TCN 0.8876 42.4766 11.1822 TCN (NDVI) 0.8915 40.8133 9.4066 Validation EIESM 0.7413 64.2193 27.4510 ANN 0.7869 56.3258 20.3226 LSTM 0.8512 48.1237 15.5833 TCN 0.8771 43.1984 11.3480 TCN (NDVI) 0.8847 40.9412 9.5563 12 Calibration EIESM 0.7036 91.0993 45.1899 ANN 0.6621 129.4762 54.9864 LSTM 0.7194 87.4816 42.0057 TCN 0.7590 79.7766 34.7225 TCN (NDVI) 0.7811 76.8033 27.3611 Validation EIESM 0.6964 96.1865 48.0235 ANN 0.6641 127.6674 52.6108 LSTM 0.7035 92.4926 39.3347 TCN 0.7611 83.8810 30.6066 TCN (NDVI) 0.7649 81.1183 28.9558