Regional monthly runoff forecast in southern Canada using ANN, <i>K</i>-means, and <i>L</i>-moments techniques
Notice bibliographique
Résumé
River runoff forecasting is necessary for numerous applications related to water use, including water supply management, power generation and flooding protection measures. In this study, a regional model using an artificial neural network (ANN) is proposed for monthly runoff forecasting, which considers stations linked to the network that belong to the same homogeneous region, and are delimited using K-means (KM-ANN) and L-moments (LM-ANN) techniques. This methodology was applied to a sample of 90 monthly runoff series in southern Canada. The results were compared to those of a traditional neural network for a given site (ANNs) using statistical indices, such as root-mean-squared error (RMSE), relative square error (RSE), mean absolute error (MAE), relative absolute error (RAE), the concordance index (d) and the coefficient of determination (r2). The LM-ANN technique produced better forecasts in 56.7% of the analysed stations, whereas the KM-ANN and ANN techniques produced better forecasts in 27.7% and 15.6% of the stations, respectively. Thus, the results indicate that the regionalisation process improved the forecasts in 84.4% of the studied cases, and the estimation uncertainty was reduced by an average of 31.8%, according to the RMSE, RSE, MAE and RAE values. Therefore, its application is recommended in Canada, where it would be useful for the Integrated Water Resources Management Program.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».