Modelling for Improved Flood Forecasting in the Bow River Basin Using Prophet
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The catastrophic flood of the Bow River in 2013 had a significant impact on Calgary, Canada, and citizen's lives, showing the need for early warning systems and preparedness ahead-of-time. AI-based models that integrate climate and historical flow data, using the Prophet algorithm as applied in this research, demonstrate high accuracy in predictions for 15-, 10-, 5-day-ahead and 24-hour-ahead during extreme events in the Bow River, Banff. The predictions 5-day-ahead and 24-hour-ahead are 96.1% and 98.8% accurate, respectively, to the actual event on June 21st, 2013, as a particular case study. The Prophet algorithm shows significant benefits that maintain consistent nonlinear trends with daily, and weekly seasonality. This model also works with diverse components such as trends with high accuracy and greatly improves results using, for example, the GMDH algorithm. A comparison of evaluation metrics for the GMDH and Prophet models indicates that the GMDH model shows R², RMSE, and MAE values of 0.64, 46.8, and 6.70 respectively, with a disparity in accuracy and an absence of trend between the target and the dependent variables. The GMDH model performs well with a timestep of 17 h, but the accuracy significantly decreases with a timestep prediction of 120 h or 5-day-ahead, rendering the model's utility minimal. In contrast, the Prophet model features better prediction of time series data with higher evaluation metrics of R², RMSE, and MAE values of 0.97, 41.7, and 3.19, respectively.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle