An adaptive neuro-fuzzy inference system for the post-calibration of weather radar rainfall estimation
Notice bibliographique
Résumé
An Adaptive Neuro-Fuzzy Inference System, based on a jack-knife approach, is proposed for the post-calibration of weather radar rainfall estimation exploiting available raingauge observations. The methodology relies on the construction of a fuzzy inference system with three inputs (radar x coordinate, y coordinate and rainfall estimation at raingauge locations) and one output (raingauge observations). Subtractive clustering is used to generate the initial fuzzy inference system. Artificial neural network learning provides a fast way to automatically generate additional fuzzy rules and membership functions for the fuzzy inference system. Fuzzy logic enhances the generalisation of the artificial neural network system. In order to demonstrate the steps of the radar rainfall post-calibration using the Adaptive Neuro-Fuzzy Inference System, CAPPIs of one-hour rainfall accumulation and corresponding raingauge observations have been selected. Results show that the proposed approach looks for a response that is a compromise between radar rainfall estimations and raingauge observations and does not necessarily consider the raingauge observations as ground truth. The algorithm is very fast and can be implemented for real time post-calibration. This algorithm makes use of all available data—raingauge observations are usually scarce—for training and checking the neuro-fuzzy inference system. It also provides a degree of reliability of the post-calibration.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».