Inductive Transfer Applied to Modeling River Discharge in Nova Scotia
Notice bibliographique
Résumé
Effective watershed management requires accurate modeling of river discharge. Many years of data collection are often required to capture variations in seasonal trends and produce accurate predictive and descriptive models. In this study artificial neural networks that employ inductive transfer are used to develop models that predict the discharge (flow rate) of streams in Nova Scotia from weather data. The models use two days of weather data to predict the discharge for the following day. The objective is to show that transfer of knowledge from previously learned models for streams can be used to reduce the time and cost associated with collecting large amounts of data for modeling the discharge of a nearby river. Results show that models developed using only 180 days of training data with transfer from related streams perform as well on independent test data as models constructed using five years of training data and no transfer. The results also show that a considerable variance in stream discharge and stream morphology can be accommodated and that the induced models may be acceptable for management of the resource when little data are available. There is scope for improving the method of transfer by taking into consideration the degree of relatedness between the streams, watersheds, and their associated climate conditions. RÉSUMÉ Une bonne gestion des bassins versants exige une modélisation exacte du débit fluvial. Il faut souvent de nombreuses années de collecte de données pour rendre compte des variations saisonnières et produire des modèles de prévision et des modèles descriptifs exacts. Dans le cadre de cette étude, des réseaux neuronaux qui font appel au transfert induit de données météorologiques sont utilisés pour prédire le débit de cours d’eau en Nouvelle-Écosse. Les modèles retenus reposent sur deux journées de données météorologiques pour la formulation de prévisions du débit pour le lendemain. Il s’agit d’illustrer qu’il est possible d’utiliser des connaissances tirées d’autres modèles de cours d’eau déjà établis et de réduire ainsi le temps et les coûts associés à la collecte de données de modélisation du débit d’une rivière proche. Les résultats indiquent que les modèles établis qui se fondent uniquement sur 180 jours de données de formation et tirées d’autres cours d’eau apparentés donnent d’aussi bons résultats à l’aide des données d’essai indépendant que par les données de modèles établis à partir de cinq années de données de formation, sans transfert. Les résultats établissent par ailleurs qu’il est possible de rendre compte d’un écart considérable dans le débit et la morphologie des cours d’eau et que les modèles produits à l’aide de données préalables sont acceptables pour la gestion de la ressource s’il y a peu de données. Il serait possible d’améliorer ce transfert de connaissances en tenant compte du degré de similitude entre les cours d’eau, les bassins versants et les conditions climatiques connexes. [Traduit par la redaction]
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 | 0,000 |
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 ».