Predicting Stream Flows and Dynamics of the Athabasca River Basin Using Machine Learning
Notice bibliographique
Résumé
Streamflow forecasting is of great importance in water resource management and flood warnings. Machine learning techniques can be utilized to assist with river flow forecasting. By analyzing historical time-series data on river flows, weather patterns, and other relevant factors, machine learning models can learn patterns and relationships to present predictions about future river flows. In this study, an autoregressive integrated moving average (ARIMA) model was constructed to predict the monthly flows of the Athabasca River at three monitoring stations: Hinton, Athabasca, and Fort MacMurray in Alberta, Canada. The three monitoring stations upstream, midstream, and downstream were selected to represent the different climatological regimes of the Athabasca River. Time-series data were used for model training to identify patterns and correlations using moving averages, exponential smoothing, and Holt–Winters’ method. The model’s forecasting was compared against the observed data. The results show that the determination coefficients were 0.99 at all three stations, indicating strong correlations. The root mean square errors (RMSEs) were 26.19 at Hinton, 61.1 at Athabasca, and 15.703 at Fort MacMurray, respectively, and the mean absolute percentage errors (MAPEs) were 0.34%, 0.44%, and 0.14%, respectively. Therefore, the ARIMA model captured the seasonality patterns and trends in the stream flows at all three stations and demonstrated a robust performance for hydrological forecasting. This provides insights and predictions for water resource management and flood warnings.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».