Large-scale evaluation of temporal trends in ANN behaviour for daily flow forecasts in Canadian catchments.
Notice bibliographique
Résumé
Modelling accurate rainfall-runoff (RR) simulations is a longstanding contest in hydrological research. These models often treat the RR relationship as stationary; in other words, model parameters are assumed to be fixed, time-invariant values. In reality, the RR relationship is continuously changing due to factors such as climate change, rapid urban growth, and construction of hydraulic infrastructure. Therefore, there is a need for hydrological models to be able to adapt to these changes. The suitability of machine learning (ML) models for flow forecasting has been well established over the past 3 decades. One advantage of such models is their ability to rapidly and continuously adapt to the non-stationary relationship between rainfall and runoff generation. However, changes in model performance and model adaptation in an operational context have not received much attention from the research community. We present a large-scale framework for daily flow forecasting models in Canada (>100 catchments). In our framework, local artificial neural network (ANN) ensembles models are automatically trained to forecast flow on an individual catchment basis using openly available daily hydrometeorological timeseries data. The collection of catchments taken from across Canada have highly heterogenous soil groups, land use, and climate. We propose several experiments that are designed to evaluate the robustness of ANN-based flow forecasting across time. Using the most recent year of observations for validation, we evaluate the effects of incrementally providing increasing amounts of historic observations. Similarly, we quantify changes to ANN model parameters (weights and biases) across increasing historic training data. Finally, we analyse feature importance across time using multiple feature importance algorithms. Our research aims to provide guidance on initial model training and adaptive learning, as ML-based approaches become increasingly adapted for operational use.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».