On the advancing frontier of deep learning in hydrology:  a hydrologic applications perspective
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
In the last decade, the realization that certain deep learning (DL) architectures are particularly well-suited to the simulation and prediction of hydrologic systems and their characteristic memory-influenced dynamics has led to remarkable rise in DL-centered hydrologic research and applications.  Numerous new datasets, computational and open software resources, and progress in related fields such as numerical weather prediction have also bolstered this growth.  Advances in DL for hydrologic forecasting research and operations is likely the most eye-catching and intuitive use case, but DL methods are now also making inroads into more process-intensive hydrologic modeling contexts, and among groups that have been skeptical of their potential suitability despite performance-related headlines. Nevertheless, even in the forecasting context, and despite offering new strategies and concepts to resolve long-standing hurdles in hydrologic process-based modeling efforts, the uptake of DL-based systems in many public-facing services and applications has been slow. This presentation provides perspective on the ways in which DL techniques are garnering interest in traditionally process-oriented modeling arenas -- from flood and drought forecasting to watershed studies to hydroclimate risk modeling – and on sources of hesitancy.  Clear pathways, momentum and motivations for DL approaches to supplant process-based models exist in some applications, whereas in others, governing interests and constraints appear likely to restrict DL innovations to narrower niches.  Concerns over explainability have been a common topic, but less discussed questions about fitness or adequacy for purpose and institutional requirements can also be influential.  Drawing from relevant hydrologic modeling programs, projects and initiatives in the US and elsewhere, we aim to provide a real-world status update on the advancing frontier of deep learning in applied hydrologic science and practice.  
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle