Prediction of runoff characteristics in ungauged basins in Central Europe with machine learning – files

<p><em><strong>English</strong></em></p> <p>This are the shapefiles accompanying the paper: Klingler et al. (2022), Prediction of runoff characteristics in ungauged basins with machine learning, published in the journal &Ouml;sterreichische Wasser- und Abfallwirtschaft: <a href="https://doi.org/10.1007/s00506-022-00891-4">https://doi.org/10.1007/s00506-022-00891-4</a></p> <p>The basic idea was to train a machine learning model with observed runoff characteristics of the hydrological years 2003 - 2017 (LamaH_observations, 859 features) and 90 different catchment characteristics to&nbsp;be able to predict runoff characteristics in unobserved catchments (OWK_predictions, 9533 features).</p> <p>We provide two shapefiles to download:<br> <strong>1) LamaH_observations</strong>, which contains attributes for 6 different runoff characteristics calculated from observed runoff timeseries from the LamaH-CE dataset (https://doi.org/10.5194/essd-13-4529-2021).<br> <strong>2)</strong> <strong>OWK_predictions</strong>, which includes additionally to the predicted 6 runoff characteristics also attributes for uncertainty quantification.<br> All attributes of the shapefiles are described in the associated metadata (.qmd files).</p> <p><strong>Disclaimer:</strong> We have created the shapefiles with care and checked the outputs for plausibility. By downloading the data, you agree that we nor the provider of the used source datasets (e.g. observed runoff time series) cannot be liable for the data provided.</p> <p><strong>License:</strong> This work is licensed with CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/). This means that you may freely use and modify the data (even for commercial purposes). But you have to give appropriate credit (associated &Ouml;WAV paper, version of dataset), indicate if and what changes were made and distribute your work under the same public license as the original.</p> <p><strong>Contact:</strong> If you find any errors in the dataset or have any further questions, feel free to send us an email: info@baseflow.ai</p> <p>-------------</p> <p><strong><em>Deutsch</em></strong></p> <p>Dies sind die beiden Shapefiles, welche dem folgenden Fachartikel zugeh&ouml;rig sind: Klingler et al. (2022), Vorhersage von hydrologischen Abflusskennwerten in unbeobachteten Einzugsgebieten mit Machine Learning, ver&ouml;ffentlicht im Journal &Ouml;sterreichische Wasser- und Abfallwirtschaft: <a href="https://doi.org/10.1007/s00506-022-00891-4">https://doi.org/10.1007/s00506-022-00891-4</a></p> <p>Der Ansatz hinter dieser Arbeit war ein Machine Learning Modell mit beobachteten Abflusskennwerten der hydrologischen Jahre 2003 - 2017 (LamaH_observations, 859 Features) und 90 verschiedenen Einzugsgebietseigenschaften zu trainieren, um anschlie&szlig;end diese Abflusskennwerte in unbeobachteten Einzugsgebieten vorherzusagen (OWK_predictions, 9533 Features).</p> <p>Wir bieten zwei Shapefiles zum Download an:<br> <strong>1)</strong> <strong>LamaH_observations</strong>, welche Attribute f&uuml;r 6 verschiedene Abflusskennwerten (MJHQ, MQ, MJNQ, MJNQ7, Q95, Q98) enth&auml;lt, die aus beobachteten Abflusszeitreihen aus dem LamaH-CE-Datensatz berechnet wurden (https://doi.org/10.5194/essd-13-4529-2021).<br> <strong>2)</strong> <strong>OWK_predictions</strong>, welche zus&auml;tzlich zu den vorhergesagten 6 Abflusskennwerten auch Attribute zur Quantifizierung der Unsicherheit enth&auml;lt.<br> Alle Attribute der Shapefiles sind in den zugeh&ouml;rigen Metadaten (.qmd-Dateien) beschrieben.</p> <p><strong>Haftungsausschluss:</strong> Wir haben die Shapefiles mit Sorgfalt erstellt und die Ergebnisse auf Plausibilit&auml;t gepr&uuml;ft. Mit dem Herunterladen der Daten erkl&auml;ren Sie sich damit einverstanden, dass weder wir noch der Anbieter der verwendeten Quelldatens&auml;tze (zB. beobachtete Abflusszeitreihen) f&uuml;r die bereitgestellten Daten haften.</p> <p><strong>Lizenz:</strong> Diese Arbeit ist lizenziert mit CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/). Dies bedeutet, dass Sie die Daten frei verwenden und ver&auml;ndern d&uuml;rfen (auch f&uuml;r kommerzielle Zwecke). Sie m&uuml;ssen jedoch eine entsprechende Quellenangabe machen (zugeh&ouml;riger &Ouml;WAV-Artikel, Version des Datensatzes), angeben ob und welche &Auml;nderungen vorgenommen wurden, und Ihre Arbeit unter der gleichen Lizenz wie das Original ver&ouml;ffentlichen.</p> <p><strong>Kontakt:</strong> Wenn Sie Fehler im Datensatz finden oder weitere Fragen haben, k&ouml;nnen Sie uns gerne eine E-Mail schicken: info@baseflow.ai</p>