Integration of Hidden Markov States in a hydrological model calibration/validation protocol
Notice bibliographique
Résumé
Due to climate changes, the stationary assumption in hydrology has become obsolete. Moreover, the uncertainty regarding the future evolution of the Earth's climate and its impact on flow regimes is still large. Over the last decade, new risk management approaches have been proposed to support water resources planning under deep uncertainty. Those approaches rely at some point on a hydrological model to derive time series of streamflows for various hydro-climatic scenarios. One of the key issue is to make sure that the hydrological model is robust, i.e. that it performs well over contrasted hydro-climatic conditions. The differential split-sample test principle proposed by Klemes in 1986 recommends partitioning the time series into numerous and independent subperiods with different stationary climate features. Then, the hydrological model calibration is achieved on a specific climate period, and the validation on other(s). Classical detection methods commonly used to partition the times series, such as Mann-Kendall test or Pettitt test, can only detect a single change point, and thus are unable to handle complex climate sequences with multiple change points. We propose a calibration/validation protocol of hydrological models which rely on both the differential split-sample test and on an Hidden Markov Model to identify a succession of subsequences in a time series based on the state of the underlying process. We applied the proposed protocol on the Senegal River (West Africa). The hydrological model used is the conceptual GR2M model. Results show that (i) when the river discharges time series does not display a clear climate trend, and have multiple change points, classical rupture tests are not suitable. Hidden Markov Models are a good alternative as long as the climate sub-sequences are long enough (typically around 30 years or more); (ii) including a Hidden Markov Models in such protocol open up the range of possibilities for calibrate/validate, which can lead to an enhancement of the criterion function (but not necessarily). Klemes, V.: Operational testing of hydrological simulation models, Hydrological Sciences Journal, 31, 13-24, 415 https://doi.org/10.1080/02626668609491024, 1986.
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 | 0,033 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».