Short-Term Peak Flow Rate Prediction and Flood Risk Assessment Using Fuzzy Linear Regression
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A fuzzy linear regression (FLR) method is proposed that uses real-time data to accurately predict daily peak flow rate for the Bow and Elbow Rivers in southern Alberta. FLR model performance was compared to a non-fuzzy, error-in-variables model (EIV). Mean daily flow rate, with a delay of one, two, three or seven days was used as the independent variable. In implementing the FLR, a unique hybrid modelling approach was devised that treated peak flow rate as probabilistic and mean daily flow rate as possibilistic. Three gauge errors, 5%, 10% and 20%, were tested and compared to quantify uncertainty in observed flow rate. The research proposed a new method of computing the exceedance probability of peak flow rate using fuzzy numbers. NSE, PBIAS and RSR and a proposed rating system were used to evaluate and compare the methods. Two different calibration schemes were used, including a quasi-real time system. The tests demonstrated that FLR with a one day lag was a very good predictor of peak flow rate and outperformed EIV for two stations on the Bow River. A test dataset from the floods of June 2013 in Calgary was used for risk assessment. The FLR results demonstrated higher flexibility and sensitivity to the flood as it approached Calgary. The fuzzy method was able to capture the peak flow rate for the majority of the high flow rate days, while the EIV model was unable to predict this data within the 95% confidence interval.
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.
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 découle