Predicting River Flow Using an AI-Based Sequential Adaptive Neuro-Fuzzy Inference System
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
Artificial intelligence (AI) techniques have been successfully adopted in predictive modeling to capture the nonlinearity of natural systems. The high seasonal variability of rivers in cold weather regions poses a challenge to river flow forecasting, which tends to be complex and data demanding. This study proposes a novel technique to forecast flows that use a single-input sequential adaptive neuro-fuzzy inference system (ANFIS) along the Athabasca River in Alberta, Canada. After estimating the optimal lead time between four hydrometric stations, gauging data measured near the source were used to predict river flow near the mouth, over approximately 1000 km. The performance of this technique was compared to nonsequential and multi-input ANFISs, which use gauging data measured at each of the four hydrometric stations. The results show that a sequential ANFIS can accurately predict river flow (r2 = 0.99, Nash–Sutcliffe = 0.98) with a longer lead time (6 days) by using a single input, compared to nonsequential and multi-input ANFIS (2 days). This method provides accurate predictions over large distances, allowing for flow forecasts over longer periods of time. Therefore, governmental agencies and community planners could utilize this technique to improve flood prevention and planning, operations, maintenance, and the administration of water resource systems.
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 | 0,000 | 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 | 0,001 |
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 découle