MétaCan
Menu
Retour à la cohorte
Enregistrement W2006299203 · doi:10.1002/hyp.1359

Application of fuzzy logic to forecast seasonal runoff

2003· article· en· W2006299203 sur OpenAlexaffabout
Chandra Mahabir, Faye Hicks, Aminah Robinson Fayek

Notice bibliographique

RevueHydrological Processes · 2003
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrological Forecasting Using AI
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSurface runoffSnowpackFuzzy logicSnowmeltEnvironmental scienceHeuristicStructural basinHydrology (agriculture)MeteorologyVariable (mathematics)ClimatologySnowComputer scienceMathematicsGeographyGeologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Each spring in Alberta, Canada, the potential snowmelt runoff is forecast for several basins to assess the water supply situation. Water managers need this forecast to plan water allocations for the following summer season. The Lodge Creek and Middle Creek basins, located in southeastern Alberta, are two basins that require this type of late winter forecast of potential spring runoff. Historically, the forecast has been based upon a combination of regression equations. These results are then interpreted by a forecaster and are modified based on the forecaster's heuristic knowledge of the basin. Unfortunately, this approach has had limited success in the past, in terms of the accuracy of these forecasts, and consequently an alternative methodology is needed. In this study, the applicability of fuzzy logic modelling techniques for forecasting water supply was investigated. Fuzzy logic has been applied successfully in several fields where the relationship between cause and effect (variable and results) are vague. Fuzzy variables were used to organize knowledge that is expressed ‘linguistically’ into a formal analysis. For example, ‘high snowpack’, ‘average snowpack’ and ‘low snowpack’ became variables. By applying fuzzy logic, a water supply forecast was created that classified potential runoff into three forecast zones: ‘low’, ‘average’ and ‘high’. Spring runoff forecasts from the fuzzy expert systems were found to be considerably more reliable than the regression models in forecasting the appropriate runoff zone, especially in terms of identifying low or average runoff years. Based on the modelling results in these two basins, it is concluded that fuzzy logic has a promising potential for providing reliable water supply forecasts. Copyright © 2003 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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,075
Score d'incertitude au seuil0,150

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,251
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations103
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHydrological ProcessesMême sujetHydrological Forecasting Using AITravaux en français237 207