Notice bibliographique
Résumé
La presente etude vise a analyser l’apport des methodes de combinaison multi-modele en vue d’ameliorer la representation de la variabilite des previsions hydrologiques d’ensembles generees par des modeles hydrologiques simples. Dans un contexte de gestion de reservoirs hydroelectriques, il arrive frequemment que les previsions des modeles hydrologiques ne representent pas bien la realite. Cela s’explique en partie par l’utilisation de modeles hydrologiques simplifie grandement le processus complexe qu’est le cycle hydrologique, induisant ainsi des ensembles previsionnels ne representant pas adequatement l’incertitude de prevision. La combinaison multi-modele est donc une avenue interessante, d’autant plus que des etudes precedentes ont fait etat de sa capacite a ameliorer la qualite des previsions hydrologiques sur de courtes periodes. Trois modeles hydrologiques (GR4J, MOHYSE et HSAMI) ont ete utilises pour generer des previsions d’ensemble emises au premier jour de chaque mois et de duree variant de 2 semaines a 6 mois sur le bassin versant de la riviere Ashuapmushuan au Saguenay-Lac-St-Jean. La combinaison de ces trois modeles par la methode de ponderation GRC a ainsi permis de generer un quatrieme ensemble previsionnel. Les previsions ont ete generees pour chaque annee disponible, soit de 1967 a 2001, en utilisant les donnees meteo observees pour alimenter les modeles. Par la suite, des combinaisons des ensembles ont ete faites afin d’ajouter du bruit a la dispersion des ensembles. Il s’agit du grand-ensemble, soit les ensembles des trois modeles simples, et du super-ensemble, qui est la combinaison des trois ensembles des modeles simples et de l’ensemble multi-modele. La qualite de ces ensembles est alors evaluee a l’aide de diagrammes de Talagrand et de deux tests statistiques, soit les scores ABDU et le test de Kolmogorov-Smirnov. Dans tous les cas, les combinaisons d’ensembles ont demontre une amelioration de la correction de la sousdispersion initialement observee. L’ajout de l’ensemble multi-modele, soit le superensemble, en comparaison au grand-ensemble, est tres benefique a la dispersion a court terme, mais ce benefice s’attenue sur les plus longs horizons. En ce qui concerne l’atteinte de l’objectif de produire des previsions presentant une incertitude adequate, les combinaisons grands-ensembles et super-ensemble presentent de meilleurs resultats, surtout durant les mois plus chauds, ou les precipitations sont sous forme liquide. Le projet demontre qu’il y a possibilite d’utiliser les methodes multi-modele avec succes mais qu’il faudra poursuivre la recherche pour determiner comment maximiser la performance en fonction des periodes de prevision et de l’horizon previsionnel souhaite.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».