Performance evaluation of ANN and geomorphology-based models for runoff and sediment yield prediction for a Canadian watershed
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 Neural Network (ANN) and regression models were developed using watershed-scale geomorphologic parameters to predict surface runoff and sediment losses of the St. Esprit watershed, Quebec, Canada. Ge omorphological parameters describing the land surface drainage characteristics and surface water flow behaviour were empirically associated with measured rainfall and runoff data and used as input to a three-layered back-propagation feed-forward neural network model. Morphological parameters such as bifu rcation ratio, area ratio, channel length ratio, drainage factor and relief ratio were selected using t he Multivariate Adaptive Regression Splines tool, based on their relative impo rtance in prediction of runoff and sediment yield. R egression models were developed using the curve-fitting toolbox of MATLAB software and compared with the results obtained from ANN models. The coefficient of determination (R 2 ) and model efficiency factor (E) were estimated to ascertain the model performance. Geomorphology-based ANN model validation statistics resulted in R 2 values ranging from 0.85 to 0.95 and E values from 0.74 to 0.82 for peak runoff rate and R 2 values from 0.78 to 0.93 and E values from 0.71 to 0.76 for sediment loss. Using geomorphology-based regression models, R 2 values for the same dataset varied from 0.78 to 0.88 (0.74 > E > 0.69) for peak runoff rate prediction and 0.39 to 0.54 (0.53 > E > 0.46) for sediment prediction. When morphological parameters were not associated with rainfall depth and peak runoff rate, prediction error statistical parameter values ( R 2 and E) were less for both neural network and regression models. Thus, associating selected geomorphological parameters with rainfall depth and peak runoff rate enhances the accuracy of runoff rate and sediment loss predictions from the watershed. Furthermore, ANN models performed better than the regression equations.
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 | 0,001 | 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 | 0,001 |
| 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 | 0,000 |
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 découle