Performance of Multivariate Adaptive Regression Splines (MARS) in predicting runoff in mid-Himalayan micro-watersheds with limited data / Performances de régressions par splines multiples et adaptives (MARS) pour la prévision d'écoulement au sein de micro-bassins versants Himalayens d'altitudes intermédiaires avec peu de données
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Steep topography and land-use transformations in Himalayan watersheds have a major impact on hydrological characteristics and flow regimes, and greatly affect the perenniality and sustainability of water resources in the region. To identify the appropriate conservation measures in a watershed properly, and, in particular, to augment flow during lean periods, accurate estimation of streamflow is essential. Due to the complexity of rainfall—runoff relationships in hilly watersheds and non-availability of reliable data, process-based models have limited applicability. In this study, data-driven models, based upon the Multiple Adaptive Regression Splines (MARS) technique, were employed to predict streamflow (surface runoff, baseflow and total runoff) in three mid-Himalayan micro-watersheds. In addition, the effect of length of historical records on the performance of MARS models was critically evaluated. Though acceptable MARS models could be developed with a 2-year data set, their performance improved considerably with a 3-year data set. Various indicators of model performance, such as correlation coefficient, average deviation, average absolute deviation and modelling efficiency, showed significant improvement for simulation of surface runoff, baseflow and total flow. To further analyse the versatility and general applicability of the MARS approach, 2-year data sets were used to develop the model and test it on a third-year data set to assess its performance. The models simulated the surface runoff, baseflow and total flow reasonably well and can be reliably applied in ungauged small watersheds under identical agro-climatic settings.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle