EH
Essam Heggy
Author with expertise in Exploration and Study of Mars
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
12
(92% Open Access)
Cited by:
1,219
h-index:
36
/
i10-index:
79
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Hybrid machine learning system based on multivariate data decomposition and feature selection for improved multitemporal evapotranspiration forecasting

Jinwook Lee et al.Jun 3, 2024
Evapotranspiration is an essential component of the hydrological cycle. Forecasting the reference crop evapotranspiration (ETo) using a reliable and generalized framework is crucial for agricultural operations, especially irrigation. This study was aimed at evaluating the performance of a hybrid system including the K-Best selection (KBest), multivariate variational mode decomposition (MVMD), and Machine learning (ML) models for 1-, 3-, 7-, and 10-day-ahead forecasting of the daily ETo in twelve stations of California. The analysis covered a span of 20 years, from 2003 to 2022. Three stand-alone ML models, namely Cascade Forward Neural Network (CFNN), Extreme Learning Machine (ELM), and Bagging Regression Tree (BRT) are used and were integrated with various preprocessing techniques to construct three hybrid models, i.e., MVMD-KBest-CFNN, MVMD-KBest-ELM, and MVMD-KBest-BRT. According to the results obtained in the testing phase, averaged across all stations, all three stand-alone models (CFNN, ELM, and BRT) yielded similar outcomes. In contrast, the hybrid models exhibited significantly enhanced performances compared with the standalone models, and MVMD-KBest-CFNN and MVMD-KBest-ELM models outperformed MVMD-KBest-BRT model. The BRT-based models were vulnerable to overfitting. The performance of the best models is superior compared to similar existing studies. Examining the variations across stations, it was found that the stations located further from the coast and in arid regions could be susceptible to prediction errors and necessitate more attention.
0
Paper
Citation1
0
Save
0

Grand Ethiopian Renaissance Dam can generate sustainable hydropower while minimizing downstream water deficit during prolonged droughts

Essam Heggy et al.Dec 9, 2024
Optimizing hydropower generation from the Nile upstream mega-dams during prolonged droughts while minimizing the downstream water deficit is the cornerstone in resolving the ongoing major water conflict in the Eastern Nile River Basin. A decade of negotiation and mediation has been unsuccessful, mainly due to the hydraulic uncertainties associated with operating the Grand Ethiopian Renaissance Dam during prolonged droughts. Based on the negotiation outcomes, we provide comprehensive assessments of the efficiency of multiple drought-mitigation policies for the impact of dam operation. Our results suggest it can generate almost optimal hydropower without a noticeable downstream deficit during wet, average, and temporary drought flow conditions. For prolonged drought, we identify an ideal operation policy allowing the Grand Ethiopian Renaissance Dam to generate a sustainable energy of 87% of its optimal hydropower without generating additional downstream water deficit. Furthermore, we provide four intermediate policies demonstrating enhanced upstream hydropower generation while minimizing dam-induced downstream water deficits. Our findings attempt to bridge the negotiation disparities in the Nile hydropower mega-dams operations during prolonged drought and foster an actionable and collaborative framework. Nile's river mega-dams can operate collaboratively to generate upstream sustainable hydropower and minimize downstream water deficit during drought events, according to an analysis that combines the water resources systems model and policy scenarios.
Load More