Automatic Model Structure Identification for Conceptual Hydrologic Models
Notice bibliographique
Résumé
Abstract Choosing (an) adequate model structure(s) for a given purpose, catchment, and data situation is a critical task in the modeling chain. However, despite model intercomparison studies, hypothesis testing approaches with modular modeling frameworks, and continuous efforts in model development and improvement, there are still no clear guidelines for identifying a preferred model structure. By introducing a framework for Automatic Model Structure Identification (AMSI), we support the process of identifying (a) suitable model structure(s) for a given task. The proposed AMSI framework employs a combination of the modular hydrological model RAVEN and the heuristic global optimization algorithm dynamically dimensioned search (DDS). It is the first demonstration of a mixed‐integer optimization algorithm applied to simultaneously optimize model structure choices (integer decision variables) and parameter values (continuous decision variables) in hydrological modeling. The AMSI framework is thus able to sift through a vast number of model structure and parameter choices for identifying the most adequate model structure(s) for representing the rainfall‐runoff behavior of a catchment. We demonstrate the feasibility of the approach by reidentifying given model structures that produced a specific hydrograph and show the limits of the current setup via a real‐world application of AMSI on 12 MOPEX catchments. Results show that the AMSI framework is capable of inferring feasible model structure(s) reproducing the rainfall‐runoff behavior of a given catchment. However, it is a complex optimization problem to identify model structure and parameters simultaneously. The variance in the identified structures is high due to near equivalent diagnostic measures for multiple model structures, reflecting substantial model equifinality. Future work with AMSI should consider the use of hydrologic signatures, case studies with multiple types of observation data, and the use of mixed‐integer multiobjective optimization algorithms.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».