Probabilistic Prediction and Forecast of Daily Suspended Sediment Concentration on the Upper Yangtze River
Notice bibliographique
Résumé
Abstract Sediment transport in suspension can represent more than 90% of a river's total annual flux of sediment. In the case of the Yangtze River, more than 99% of the sediment supplied to the sea is suspended load. Suspended sediment is thus an important component of the total sediment load, with implications for channel dynamics, landscape evolution, ecology, and human‐related activities. For hydrological management of large basins such as the Yangtze River, knowledge of the processes governing suspended sediment concentration (SSC) is essential. An analysis of the temporal variation of SSC for the Upper Yangtze basin (defined at Pingshan station) is presented here. For this purpose, a database of 50 years of concurrent discharge and SSC measurements, made by the Yangtze River Commission, is used. The analysis is made using a novel probabilistic data‐driven technique, the Generalized Pareto Uncertainty (GPU). This technique allows for the testing of several strategies of prediction and forecast applied to a time series of SSC and streamflow. Changing between local or seasonal variables to feed these strategies, we inferred that although the main driver of the SSC transport is flow (as reported by previous authors), sediment storage is also a major control. Furthermore, the maximum necessary time lag for forecasts made with the data is on the order of one week, which provides one indication of the time scale of the local processes of SSC transport in the Upper Yangtze. In this paper, limitations and data requirements of the GPU methodology are also discussed.
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 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».