Streamflow Synthesis Using an Encoded Textural Pattern Recognition System. I: Model Development
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
Streamflow synthesis using pattern recognition systems has attracted significant attention in recent years. Feature extraction, a crucial step in this process, enables the identification of various streamflow characteristics. Traditional models rely on immediate past values, thus missing complex relationships across multiple time steps. Given the dynamic and chaotic nature of streamflow, a model capable of capturing both high temporal resolution for immediate past features and low temporal resolution for seasonal patterns is required. This necessitates a paradigm shift of representing streamflow time series in an eight-bit textural image, where two dimensions represent temporal aspects and create a network with intersections forming pixels with gray shade intensity of [0–255] representing the scaled magnitude of streamflow. Texture refers to visual pattern variations in pixel intensities, and thus, features are termed textural features. This study aims to develop a semiautomated model to extract textural features capturing temporal dependencies of each pixel with its previous pixels in horizontal and vertical directions, termed simultaneous autocorrelation. Such two-dimensional correlations are then transformed into the frequency domain using a discrete Fourier transform. A power spectrum of the Fourier coefficients forms transformed textural features, which, in turn, are statistically analyzed to fit a normal distribution. In the synthesis process, transformed textural features are generated within ±1.96 standard deviations of the mean of the fitted normal distribution, and then transformed back to the time domain to synthesize the textural image to decode back into a traditional streamflow time series. The proposed model captures both short- and long-term dependence structures, as demonstrated in Part II of this two-part set of papers.
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 | 0,000 | 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 | 0,000 |
| 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 découle