Understanding the Information Content in the Hierarchy of Model Development Decisions: Learning From Data
Notice bibliographique
Résumé
Abstract Process‐based hydrological models seek to represent the dominant hydrological processes in a catchment. However, due to unavoidable incompleteness of knowledge, the construction of “ fidelius ” process‐based models depends largely on expert judgment. We present a systematic approach that treats models as hierarchical assemblages of hypotheses (conservation principles, system architecture, process parameterization equations, and parameter specification), which enables investigating how the hierarchy of model development decisions impacts model fidelity. Each model development step provides information that progressively changes our uncertainty (increases, decreases, or alters) regarding the input‐state‐output behavior of the system. Following the principle of maximum entropy, we introduce the concept of “ minimally restrictive process parameterization equations—MR‐PPEs ,” which enables us to enhance the flexibility with which system processes can be represented, and to thereby investigate the important role that the system architectural hypothesis (discretization of the system into subsystem elements) plays in determining model behavior. We illustrate and explore these concepts with synthetic and real‐data studies, using models constructed from simple generic buckets as building blocks, thereby paving the way for more‐detailed investigations using sophisticated process‐based hydrological models. We also discuss how proposed MR‐PPEs can bridge the gap between current process‐based modeling and machine learning. Finally, we suggest the need for model calibration to evolve from a search over “ parameter spaces ” to a search over “ function spaces .”
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 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 | 0,003 | 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 | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».