Influence of Subseasonal-to-Annual Water Supply Forecasts on Many-Objective Water System Robustness under Long-Term Change
Notice bibliographique
Résumé
The sensitivity of forecast-informed reservoir operating policies to forecast attributes (lead-time and skill) in many-objective water systems has been well-established. However, the viability of forecast-informed operations as a climate change adaptation strategy remains underexplored, especially in many-objective systems with complex trade-offs across interests. Little is known about the relationships between forecast attribute and policy robustness under deep uncertainty in future conditions and the relationships between forecast-informed performance and future hydrologic state. This study explores the sensitivity of forecast-informed policy robustness to forecast lead-time and skill in the outflow management plan of the Lake Ontario basin. We create water supply forecasts at four different subseasonal-to-annual lead-times and two levels of skill and further employ a many-objective evolutionary algorithm to discover policies tailored for each forecast case, historical supply conditions, and six objectives. We also leverage a partnership with decision-makers to identify a subset of candidate policies, which are reevaluated under a large set of plausible hydrologic conditions that reflect stationary and nonstationary climates. Scenario discovery techniques are used to map attributes of future hydrology to forecast-informed policy performance. Results show policy robustness is directly related to forecast lead-time, where policies conditioned on 12-month forecasts were more robust under future hydrology. Policies tailored for noisier long-lead forecasts were more robust under a wide range of plausible futures compared with policies trained to perfect forecasts, which highlights the potential to overfit control policies to historical information, even for a forecast-informed policy with perfect foresight. The relationship between performance and the hydrologic regime is dependent on the complexity of the interactions between control decisions and objectives. A threshold of objective performance as a function of supply conditions can support adaptive management of the system. However, more complex interactions make it difficult to identify simple hydrologic indicators that can serve as triggers for dynamic management.
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 | 0,003 | 0,014 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».