Data Assimilation for Streamflow Forecasting Using Extreme Learning Machines and Multilayer Perceptrons
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».