Predicting the geometry of regime rivers using M5 model tree, multivariate adaptive regression splines and least square support vector regression methods
Notice bibliographique
Résumé
The complex dynamic equilibrium state of rivers, in which the amount of deposition and erosion are in balance, has been a fundamental research topic in river engineering. In this research, three advanced machine learning approaches, including M5 Model Tree (M5Tree), Multivariate Adaptive Regression Splines (MARS) and Least Square Support Vector Regression (LSSVR), are employed to gain new insights and develop more accurate methods for assessment of the longitudinal slope (S), water-surface width (W) and mean water depth (D) of rivers in regime state. Geometric and hydraulic characteristic of 85 cross-sections of Gamasiab River (located in western of Iran), Kaaj River (located in southwestern of Iran) and Behesht-Abad River (located in southwestern of Iran) are used to train and evaluate the employed methods (M5Tree, MARS, and LSSVR). Seven different models comprising various combinations of effective parameters influencing regime river geometry (the flow discharge (Q), median bed grain size (d50) and Shields parameter (τ ∗)), are developed to evaluate the effect of each of these variables on the prediction of the geometry of regime rivers (S, W and D). The M5Tree method outperformed the other approaches with respect to correlation coefficient (R) values of 0.872, 0.951, and 0.770 and Mean Absolute Relative Error (MARE) values of 0.484, 0.102, and 0.126 for slope, width, and depth prediction, respectively. Furthermore, the flow discharge Q was the key variable governing regime channel width and depth while the regime channel slope was found to be mainly controlled by the Shields parameter.
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 | 0,000 |
| 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 ».