Enhancing Runoff Generation Mechanisms for Flood Simulation through Integrating Machine Learning and Process-Based Modeling
Notice bibliographique
Résumé
The applications of machine learning (ML) in hydrology have witnessed significant advancements in recent years. However, such applications have often occurred in relative isolation from the traditional mechanistic, process-based modeling (PBM) paradigms that have historically underpinned scientific discovery and policy support. This presentation contends that the cultural divide between the ML and PBM communities restricts the full potential of ML, even in its hybrid forms with PBM. A hydrologic modeling experiment is presented to illustrate the fundamental differences between these two perspectives and highlight critical yet overlooked challenges that ML may encounter in practice. These challenges stem from the inherent complexity of hydrologic systems, where behaviors can change in physically explainable ways not evident in historical records due to factors such as climate change and human interventions. The presentation explores a 'coevolutionary' model-building approach, advocating a shift from a borrowing culture to a co-creation culture. This shift aims to develop models that harness ML's strengths, such as scalability to big data and high-dimensional mapping, while remaining grounded in process-based knowledge and adhering to principles of model explainability, interpretability, and falsifiability. A novel modeling paradigm is proposed, one that is both ML-powered and process-equipped, facilitating knowledge discovery from vast, complex, and high-dimensional geospatial data. This paradigm enables the direct derivation and synthesis of new differential equations across various hydro-climatic and socio-economic settings, spanning scales from small headwater catchments to large multi-jurisdictional watersheds. The proposed modeling paradigm is evaluated through the simulation of rainfall-runoff mechanisms, with a specific focus on peak times, in diverse catchments across the Contiguous United States.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».