Deep Learning for Forecasting Runoffs over China under Climate Changes
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
The temporal and spatial distribution of water resources over China has changed and may continue changing in the future under ongoing global warming. Scientific water resources management requires reliable forecasting of the change. Meanwhile, the performance of deep learning in achieving it has not been comprehensively explored. To fill this gap, deep learning, i.e., multilayer perceptron (MLP) in this study, is used to study the change of streamflow over China under climate changes. MLP is compared with other machine learning methods for investigating its strengths, and three river basins (i.e., Xiangxi, Jinghe and Zhongzhou) in central, northwestern and southeastern China, respectively are selected to represent hydrologic regimes over China. Four regional climate models are used to drive MLP for forecasting streamflow from 2021 to 2050 under two greenhouse-gas emission scenarios (i.e., RCPs 4.5 and 8.5). Modeling results show that MLP is more accurate than the other methods, especially in terms of peak streamflow volumes. Annual average temperature in the three basins will increase, while precipitation shows different changing trends. The simulation accuracies among the regional climate models (RCMs) are slightly different. Correspondingly, streamflow will increase, and the increments decrease from Jinghe, through Xiangxi, to Zhongzhou River Basins. Due to climate changes, flooding will become more frequent in Jinghe and Xiangxi River Basins, Jinghe River Basin will experience no runoff in winter, and the timing of peak runoffs in Zhongzhou River Basin will move forward. Compared with the RCP 4.5 scenario, the above trends are more obvious under the RCP 8.5 scenario.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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