Early detection of riverine flooding events using the group method of data handling for the Bow River, Alberta, Canada
Notice bibliographique
Résumé
While numerous studies have investigated physically-based analytical approaches for estimating stream flow probability distributions and occurrences of overbank flow, these types of models are limited by their associated complexity to incorporate a wide range of data from all components of the hydrologic system to model their influence on river flows. Alternatively, the Generalized Structure Group Method of Data Handling (GS-GMDH) is a polynomial network approach used in this study to train and test models for daily and hourly times series flow prediction for riverine flooding using available data from 1990 to 2018 and 1996 to 2018, respectively. The model is found to accurately predict daily flows with R2, RMSE, MAE, Bias and NSE of 0.6441, 46.884, 6.700, 1.800 and 0.6441, respectively, for nine years of flow data in application to the Bow River in Alberta, Canada. Hourly flow data used to train (70%) and test (30%) the GS-GMDH model results in R2, RMSE, MAE, Bias and NSE of 0.998, 3.323, 0.997, 0.00438 and 0.998, respectively. The trained hourly model can predict up to 17 h in advance while maintaining R2 greater than 0.90. Horizontal error highlights a weakness in model performance, contrary to other evaluation statistics, due to presence of imitation error.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».