Data Assimilation for Streamflow Forecasting Using Extreme Learning Machines and Multilayer Perceptrons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Data assimilation allows for updating state variables in a model to represent the initial condition of a catchment more accurately than the initial OpenLoop simulation. In hydrology, data assimilation is often a prerequisite for forecasting. According to Hornik (1991, https://doi.org/10.1016/0893-6080(91)90009-T ) artificial neural networks can learn any nonlinear relationship between inputs and outputs. Here, we hypothesize that neural networks could learn the relationship between the simulated streamflow (from a hydrological model) and the corresponding state variables. Once learned, this relationship can be used to obtain corrected state variables by applying it to observed rather than simulated streamflow. Based on this, we propose a novel, ensemble‐based, data assimilation approach. As a proof of concept and to verify the abovementioned hypothesis, we used an international testbed comprising four hydrologically dissimilar catchments. We applied the new data assimilation method to the lumped hydrological model GR4J, which has two state variables. Within this framework, we compared two types of neural networks, namely, Extreme Learning Machine and the Multilayer Perceptron. Using well‐known metrics such as the continuous ranked probability score, we compared the assimilated streamflow series with the OpenLoop streamflow series and with the observed streamflow. We show that neural networks can be successfully used for data assimilation, with a noticeable improvement over the OpenLoop simulation for all catchments.
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.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle