Development of an Atlantic Canadian Coastal Water Level Neural Network Model
Notice bibliographique
Résumé
Abstract Coastal water-level information is essential for coastal zone management, navigation, and oceanographic research. However, long-term water-level observations are usually only available at a limited number of locations. This study discusses a complementary and simple neural network (NN) approach, to predict water levels at a specified coastal site from the data gathered at other nearby or remote permanent stations. A simple three-layer, feed-forward, back-propagation network and a neural network ensemble, named Atlantic Canadian Coastal Water Level Neural Network (ACCSLENNT) models, was developed to correlate the nonlinear relationship of sea level data among stations by learning from their historical characteristics. Instantaneous hourly observations of water level from five stations along the coast of Atlantic Canada—Argentia, Belledune, Halifax, North Sydney, and St. John’s—are used to formulate and validate the ACCSLENNT models. Qualitative and quantitative comparisons of the network output with target observations showed that despite significant changes in sea level amplitudes and phases in the study area, appropriately trained NN models could provide accurate and robust long-term predictions of both tidal and nontidal (tide subtracted) water levels when only short-term data are available. The robust results indicate that the NN models in conjunction with limited permanent stations are able to supplement long-term historical water-level data along the Atlantic Canadian coast. Because field data collection is usually expensive, the ACCSLENNT models provide a cost-effective alternative to obtain long-term data along Atlantic Canada.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».