ANN OUTPUT UPDATING OF LUMPED CONCEPTUAL RAINFALL/RUNOFF FORECASTING MODELS<sup>1</sup>
Notice bibliographique
Résumé
ABSTRACT: Artificial neural networks (ANNs) are tested for the output updating of one‐day‐ahead and three‐day‐ahead streamflow forecasts derived from three lumped conceptual rainfall/runoff (R‐R) models: the GR4J, the IHAC, and the TOPMO. ANN output updating proved superior to a parameter updating scheme and to the ‘simple’ output updating scheme, which always replicates the last observed forecast error. In fact, ANN output updating was able to compensate for large differences in the initial performance of the three tested lumped conceptual R‐R models, which the other tested updating approaches were not able to achieve. This is done mainly by incorporating input vectors usually exploited for ANN R‐R modeling such as previous rainfall and streamflow observations, in addition to the previous observed error. For one‐day‐ahead forecasts, the performance of all three lumped conceptual R‐R models, used in conjunction with ANN output updating, was equivalent to that of the ANN R‐R model. For three‐day‐ahead forecasts, the performance of the ANN‐output‐updated conceptual models was even superior to that of the ANN R‐R model, revealing that the conceptual models are probably performing some tasks that the ANN R‐R model cannot map. However, further testing is needed to substantiate the last statement.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».