Daily river flow simulation using ensemble disjoint aggregating M5-Prime model
Notice bibliographique
Résumé
Abstract Accurate prediction of daily river flow (Qt) remains a challenging yet essential task in hydrological modeling, particularly crucial for flood mitigation and water resource management. This study introduces an advanced M5 Prime (M5P) predictive model designed to estimate Qt as well as one- and two-day-ahead river flow forecasts (i.e. Qt+1 and Qt+2). The predictive performance of M5P ensembles incorporating Bootstrap Aggregation (BA), Disjoint Aggregating (DA), Additive Regression (AR), Vote (V), Iterative classifier optimizer (ICO), Random Subspace (RS), and Rotation Forest (ROF) were comprehensively evaluated. The proposed models were applied to a case study data in Tuolumne County, US, using a dataset comprising measured precipitation (Pt), evaporation (Et), and Qt. A wide range of input scenarios were explored for predicting Qt, Qt+1, and Qt+2. Results indicate that Pt and Qt significantly influence prediction accuracy. Notably, relying solely on the most correlated variable (e.g., Qt-1) does not guarantee robust prediction of Qt. However, extending the forecast horizon mitigates the influence of low-correlation input variables on model accuracy. Performance metrics indicate that the DA-M5P model achieves superior results, with Nash-Sutcliff Efficiency of 0.916 and root mean square error of 23 m3/s, followed by ROF-M5P, BA-M5P, AR-M5P, AR-M5P, RS-M5P, V-M5P, ICO-M5P, and the standalone M5P model. The ensemble M5P modeling framework enhanced the predictive capability of the stand-alone M5P algorithm by 1.2 %–22.6 %, underscoring its efficacy and potential for advancing hydrological forecasting.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».