Integration of an evolutionary algorithm into the ensemble Kalman filter and the particle filter for hydrologic data assimilation
Notice bibliographique
Résumé
Data assimilation (DA) methods continue to evolve in the design of streamflow forecasting procedures. Critical components for efficient DA include accurate description of states, improved model parameterizations, and estimation of the measurement error. Information about these components are usually assumed or rarely incorporated into streamflow forecasting procedures. Knowledge of these components could be gained through the generation of a Pareto-optimal set – a set of competitive members that are not dominated by other members when compared using evaluation objectives. This study integrates Pareto-optimality into the ensemble Kalman filter (EnKF) and the particle filter (PF). Comparisons are made between three methods: evolutionary data assimilation (EDA) and methods based on the integration of Pareto-optimality into the EnKF (ParetoEnKF) and into the PF (ParetoPF). The methods are applied to assimilate daily streamflow into the Sacramento Soil Moisture Accounting model in the Spencer Creek watershed in Canada. The updated members are applied to forecast streamflows for up to 10 days ahead, where forecasts for 1 day, 5 day and 10 day lead times are compared to observations. The results show that updated estimates are similar for all three methods. An evaluation of updated members for multi-step forecasting revealed that EDA had the highest forecast accuracy compared to ParetoEnKF and ParetoPF, which have similar accuracies.
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 | 0,004 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».