Case Study of the Chicago River Watershed: Physical Modeling vs Data-driven Modeling of an Urban Watershed
Notice bibliographique
Résumé
We developed a water quality model for the highly urbanized Chicago River watershed based on hydrologic simulation using BASINS/HSPF.Appropriate consideration was given to the effective impervious area (EIA).The 5 y water quality simulation resulted in finding total nitrates loadings at both point and nonpoint sources.However, it is always useful to have modeling alternatives to validate the simulation results of a physically based model with a data-driven one.Data-driven modeling has gained a lot of attention in recent decades in both hydrology and water resources research.While physically based models require the description of system inputs, physical laws and boundary and initial conditions, a data-driven model simply extracts knowledge from a large amount of data with only a limited number of assumptions about the physical behaviour of the system.For this case study, both data-driven and physical models were considered to simulate total nitrates.Comparing the performance of the two modeling approaches, the data-driven models show better performance.RMSE for regression models showed an increase in prediction performance of up to 10.7 %.Data-driven models require fewer inputs and can be deployed anywhere in the watershed, while physical models require extensive data inputs and can only be applied to the specific watershed outlets selected in the simulation.These arguments suggest the complementary use of both physical and data-driven models.The physical model can be a planning tool whenever significant physical change takes place in the watershed.The data-driven model can be an operating tool that can be periodically used to inspect the watershed water quality parameters, especially if TMDL and WQS are established for the watershed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».