Predicting the Hypoxic-Volume in Chesapeake Bay with the Streeter-Phelps Model: A Bayesian Approach1
Notice bibliographique
Résumé
Liu, Yong, George B. Arhonditsis, Craig A. Stow, and Donald Scavia, 2011. Predicting the Hypoxic-Volume in Chesapeake Bay with the Streeter–Phelps Model: A Bayesian Approach. Journal of the American Water Resources Association (JAWRA) 47(6):1348–1363. DOI: 10.1111/j.1752-1688.2011.00588.x Abstract: Hypoxia is a long-standing threat to the integrity of the Chesapeake Bay ecosystem. In this study, we introduce a Bayesian framework that aims to guide the parameter estimation of a Streeter–Phelps model when only hypoxic volume data are available. We present a modeling exercise that addresses a hypothetical scenario under which the only data available are hypoxic volume estimates. To address the identification problem of the model, we formulated informative priors based on available literature information and previous knowledge from the system. Our analysis shows that the use of hypoxic volume data results in reasonable predictive uncertainty, although the variances of the marginal posterior parameter distributions are usually greater than those obtained from fitting the model to dissolved oxygen (DO) profiles. Numerical experiments of joint parameter estimation were also used to facilitate the selection of more parsimonious models that effectively balance between complexity and performance. Parameters with relatively stable posterior means over time and narrow uncertainty bounds were considered as temporally constant, while those with time varying posterior patterns were used to accommodate the interannual variability by assigning year-specific values. Finally, our study offers prescriptive guidelines on how this model can be used to address the hypoxia forecasting in the Chesapeake Bay area.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».