The use of neural networks in hydrology has been frequently undermined by limitations regarding the quantification of uncertainty in predictions. Many authors have proposed different methodologies to overcome these limitations, such as running Monte Carlo simulations, Bayesian approximations, and bootstrapping training samples, which come with computational limitations of their own, and two-step approaches, among others. One less-frequently explored alternative is to repurpose the dropout scheme during inference. Dropout is commonly used during training to avoid overfitting. However, it may also be activated during the testing period to effortlessly provide an ensemble of multiple “sister” predictions. This study explores the predictive uncertainty in hydrological models based on neural networks by comparing a multiparameter ensemble to a dropout ensemble. The dropout ensemble shows more reliable coverage of prediction intervals, while the multiparameter ensemble results in sharper prediction intervals. Moreover, for neural network structures with optimal lookback series, both ensemble strategies result in similar average interval scores. The dropout ensemble, however, benefits from requiring only a single calibration run, i.e., a single set of parameters. In addition, it delivers important insight for engineering design and decision-making with no increase in computational cost. Therefore, the dropout ensemble can be easily included in uncertainty analysis routines and even be combined with multiparameter or multimodel alternatives.

神经网络在水文学中的使用经常受到关于预测不确定性量化方面的限制的破坏。许多作者提出了不同的方法来克服这些局限性，例如运行蒙特卡洛模拟，贝叶斯近似和自举训练样本（它们自身都具有计算限制）以及两步法等。一种较不常用的替代方法是在推断过程中重新调整丢弃方案的用途。训练期间通常使用辍学以避免过度拟合。但是，它也可以在测试期间激活，以轻松地提供多个“姐妹”预测的集合。本研究通过将多参数集成与辍学集成进行比较，探索了基于神经网络的水文模型的预测不确定性。辍学集合显示出更可靠的预测间隔覆盖范围，而多参数集合显示出更清晰的预测间隔。此外，对于具有最佳回溯序列的神经网络结构，这两种集成策略均会导致相似的平均间隔得分。但是，该辍学合奏受益于仅需要一次校准运行，即，一套参数。此外，它在不增加计算成本的情况下为工程设计和决策提供了重要的见识。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。辍学集合显示出更可靠的预测间隔覆盖范围，而多参数集合显示出更清晰的预测间隔。此外，对于具有最佳回溯序列的神经网络结构，这两种集成策略均会导致相似的平均间隔得分。但是，该辍学合奏受益于仅需要一次校准运行，即，一套参数。此外，它在不增加计算成本的情况下为工程设计和决策提供了重要的见识。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。辍学集合显示出更可靠的预测间隔覆盖范围，而多参数集合显示出更清晰的预测间隔。此外，对于具有最佳回溯序列的神经网络结构，这两种集成策略均会导致相似的平均间隔得分。但是，该辍学合奏受益于仅需要一次校准运行，即，一套参数。此外，它在不增加计算成本的情况下为工程设计和决策提供了重要的见识。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。对于具有最佳回溯序列的神经网络结构，这两种集成策略均会产生相似的平均间隔得分。但是，该辍学合奏受益于仅需要一次校准运行，即，一套参数。此外，它在不增加计算成本的情况下为工程设计和决策提供了重要的见识。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。对于具有最佳回溯序列的神经网络结构，这两种集成策略均会产生相似的平均间隔得分。但是，该辍学合奏受益于仅需要一次校准运行，即，一套参数。此外，它在不增加计算成本的情况下为工程设计和决策提供了重要的见识。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。它为工程设计和决策提供了重要的见解，而不会增加计算成本。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。它为工程设计和决策提供了重要的见解，而不会增加计算成本。因此，辍学集合可以轻松地包含在不确定性分析例程中，甚至可以与多参数或多模型备选方案结合使用。