ANN output updating of lumped conceptual rainfall-runoff forecasting models
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 networks (ANNs) are tested for the output updating of one-day-ahead and three-day-ahead streamflow forecasts derived from three lumped conceptual rainfall-runoff (R-R) models: the GR4J, the IHAC and the TOPMO. ANN output updating proved superior to Yang and Michel's (2000) parameter updating scheme and to the 'simple' output updating scheme, which always replicates the last observed forecast error. In fact, ANN output updating was able to compensate for large differences in the initial performance of the three tested lumped conceptual R-R models, which the other tested updating approaches could not achieve. This is mainly implemented by considering input vectors usually exploited for ANN R-R modeling such as previous rainfall and streamflow observations, in addition to the previous observed error. For one-day-ahead forecasts, the performance of all three lumped conceptual R-R models, used in conjunction with ANN output updating, was equivalent to that of the ANN R-R model. For three-day-ahead forecasts, the performance of the ANN-output-updated conceptual models was even superior to that of the ANN R-R model, revealing that the conceptual models are probably performing some tasks that the ANN R-R model cannot map. However, further testing is needed to substantiate this last statement.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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