Daily river water temperature forecast model with a <i>k</i>‐nearest neighbour approach
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 Water temperature is a key abiotic variable that modulates both water chemistry and aquatic life in rivers and streams. For this reason, numerous water temperature models have been developed in recent years. In this paper, a k ‐nearest neighbour model (KNN) is proposed and validated to simulate and eventually produce a one‐day forecast of mean water temperature on the Moisie River, a watercourse with an important salmon population in eastern Canada. Numerous KNN model configurations were compared by selecting different attributes and testing different weight combinations for neighbours. It was found that the best model uses attributes that include water temperature from the two previous days and an indicator of seasonality (day of the year) to select nearest neighbours. Three neighbours were used to calculate the estimated temperature, and the weighting combination that yielded the best results was an equal weight on all three nearest neighbours. This nonparametric model provided lower Root Mean Square Errors (RMSE = 1·57 °C), Higher Nash coefficient (NTD = 0·93) and lower Relative Bias (RB = − 1·5%) than a nonlinear regression model (RMSE = 2·45 °C, NTD = 0·83, RB = − 3%). The k ‐nearest neighbour model appears to be a promising tool to simulate of forecast water temperature where long time series are available. Copyright © 2011 John Wiley & Sons, Ltd.
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 | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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