Multiple model combination methods for annual maximum water level prediction during river ice breakup
Notice bibliographique
Résumé
Abstract The Athabasca River is the largest unregulated river in Alberta, Canada, with ice jams frequently occurring in the vicinity of Fort McMurray. Modelling tools are desired to forecast ice‐related flood events. Multiple model combination methods can often obtain better predictive performances than any member models due to possible variance reduction of forecast errors or correction of biases. However, few applications of this method to river ice forecasting are reported. Thus, a framework of multiple model combination methods for maximum breakup water level (MBWL) Prediction during river ice breakup is proposed. Within the framework, the member models describe the relations between the MBWL (predicted variable) and their corresponding indicators (predictor variables); the combining models link the relations between the predicted MBWL by each member model and the observed MBWL. Especially, adaptive neuro‐fuzzy inference systems, artificial neural networks, and multiple linear regression are not only employed as member models but also as combining models. Simple average methods (SAM) are selected as the basic combining model due to simple calculations. In the SAM, an equal weight (1/n) is assigned to n member models. The historical breakup data of the Athabasca River at Fort McMurray for the past 36 years (1980 to 2015) are collected to facilitate the comparison of models. These models are examined using the leave‐one‐out cross validation and the holdout validation methods. A SAM, which is the average output from three optimal member models, is selected as the best model as it has the optimal validation performance (lowest average squared errors). In terms of lowest average squared errors, the SAM improves upon the optimal artificial neural networks, adaptive neuro‐fuzzy inference systems, and multiple linear regression member models by 21.95%, 30.97%, and 24.03%, respectively. This result sheds light on the effectiveness of combining different forecasting models when a scarce river ice data set is investigated. The indicators included in the SAM may indicate that the MBWL is affected by water flow conditions just after freeze‐up, overall freezing conditions during winter, and snowpack conditions before breakup.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».