Application of fuzzy logic to forecast seasonal runoff
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 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 0,001 |
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