Comparison of autoregressive moving average and state space methods for monthly time series modelling of Labrador and South-East Quebec river flows
Notice bibliographique
Résumé
Time series data such as monthly stream flows can be modelled using time series methods and then used to simulate or forecast flows for short term planning. Two methods of time series modelling were reviewed and compared: the well-known auto regressive moving average (ARMA) method and the state-space time-series (SSTS) method. ARMA has been used in hydrology to model and simulate flows with good results and is widely accepted for this purpose. SSTS modelling is a more recently developed method that is relatively unused for hydrologic modelling. This paper focuses on modelling the stream flows from basins of different sizes using these two time series modelling methods and comparing the results. Three rivers in Labrador and South-East Quebec were modelled: the Romaine, Ugjoktok and Alexis Rivers. Both models were compared for accuracy of prediction, ease of software use and simplicity of model to determine the preferred time series methodology approach for modelling these rivers. The SSTS was considered very easy to use but model diagnostics were found to require a high level of statistical understanding. Ultimately, the ARMA method was determined to be the better method for the typical engineer to use, considering the diagnostics were simple and the monthly flows could be easily simulated to verify results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».