Dempster-Shafer Theory for Handling Conflict in Hydrological Data: Case of Snow Water Equivalent
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
Studying uncertainties in hydrological modeling is necessary because of data scarcity or abundance and quality issues. These uncertainties can have significant effects on environmental decision making. Traditionally, probabilistic methods have been used to study uncertainties; however, recently, more comprehensive methods are used in the treatment of uncertainty. These methods are capable of addressing uncertainty in the form of vagueness, ambiguity, and conflict, which cannot be studied efficiently using probabilistic frameworks. The Dempster-Shafer theory of evidence (DST) is one of the popular methods that can provide a unified platform to address data conflict and incompleteness. In this paper, the use of DST to model and propagate the uncertainty arising from two snow water equivalent data sets with a high degree of conflict (DST conflict k=0.74) is demonstrated. In DST, on the basis of the nature of data, e.g., the degree of conflict, different combination rules are applicable. Here, four DST combination rules are applied including Dempster-Shafer, Yager, mixture, and the proportional conflict redistribution rule number 6 (PCR6). The outcomes from these rules are compared, and their effects on subsequent decision-making are discussed. Considering the specific condition of the data used, i.e., high-conflict data with limited quality information, results indicate that mixture and PCR6 rules are more appropriate. The resultant uncertainty-driven data set is subsequently used as input into an illustrative hydrologic model demonstrating a method for propagating uncertainty. In addition, the issues of resolving conflict for less contradicting data sets, the dependency between bodies of evidence, and modeling incompleteness are also discussed.
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 | 0,003 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle