Detection of Arctic rivers streamflow drivers through automatic feature selection
Notice bibliographique
Résumé
Runoff from Arctic rivers has a direct influence on the sea ice dynamics in the Arctic Ocean, producing significant effects from local to global scales. Despite their key role, the knowledge of the processes that influence the Arctic rivers streamflow is still limited, and their behavior is not fully understood.In the literature, these analyses are usually performed adopting classical statistical methods and simple linear models, which are probably unable to fully capture underlying nonlinearities and redundancy of candidate drivers.In this study, we use automatic feature selection techniques to detect the main drivers of the five major Arctic Rivers’ runoff (Ob, Yenisei, and Lena in Asia, Mackenzie and Yukon in North America). Daily time series of temperature and precipitation recorded by several stations spread across the Arctic region, and the average snow cover of each basin are used as candidate input variables.The feature selection analysis is carried out with two algorithms: Wrapper for Quasi Equally Informative Subset Selection (W-QEISS) and Iterative Input Section (IIS). W-QEISS adopts neural predictive models to select alternative sets of drivers providing similar in terms of accuracy, but with different relevance, redundancy, and cardinality. Conversely, IIS directly produces a ranking of the input variables relying on tree-based models and combining computational efficiency and scalability to high input dimensionality.The two algorithms achieve noticeably consistent results, with minor differences that can be explained by numerical factors typical of machine learning. Results also show that autoregressive terms have a crucial role in all the hydrological basins, while the importance of the other drivers is different for each river.This preliminary research opens the floor for further analysis to broaden the knowledge of Arctic hydro-meteorological dynamics.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».