Comparison of multivariate adaptive regression splines with coupled wavelet transform artificial neural networks for runoff forecasting in Himalayan micro-watersheds with limited data
Notice bibliographique
Résumé
Himalayan watersheds are characterized by mountainous topography and a lack of available data. Due to the complexity of rainfall–runoff relationships in mountainous watersheds and the lack of hydrological data in many of these watersheds, process-based models have limited applicability for runoff forecasting in these areas. In light of this, accurate forecasting methods that do not necessitate extensive data sets are required for runoff forecasting in mountainous watersheds. In this study, multivariate adaptive regression spline (MARS), wavelet transform artificial neural network (WA-ANN), and regular artificial neural network (ANN) models were developed and compared for runoff forecasting applications in the mountainous watershed of Sainji in the Himalayas, an area with limited data for runoff forecasting. To develop and test the models, three micro-watersheds were gauged in the Sainji watershed in Uttaranchal State in India and data were recorded from July 1 2001 to June 30 2003. It was determined that the best WA-ANN and MARS models were comparable in terms of forecasting accuracy, with both providing very accurate runoff forecasts compared to the best ANN model. The results indicate that the WA-ANN and MARS methods are promising new methods of short-term runoff forecasting in mountainous watersheds with limited data, and warrant additional study.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».