Great Lakes Water Levels: Curve Fitting, Statistics, and the Unacceptable-Value Statistical Approach
Notice bibliographique
Résumé
Water levels in the Great Lakes fluctuate over time. Excessively high levels can cause flooding, erosion, property damage, and loss of human life. Excessively low values inhibit shipping since boats cannot reach the ports and docks due to low draft, thereby causing loss of economic resources. Water level prediction has proven elusive, thereby requiring a new approach to analyzing the historical record of water level values. Methods attempted here include curve fitting, conventional statistics, and a newly introduced Unacceptable-Value Statistical Approach (UVSA). The UVSA comprises only analyzing flooding and drought events. All remaining values are acceptable and, therefore, are not considered. Each flooding/drought event is comprised of all the data above/below the corresponding threshold of acceptable values. Statistics analyzed include the event volume, maximum value, length, and time between flooding or drought events. For curve fitting it was found that none of the over 3000 forms of equations fit the data well. Conventional statistics found that all the lakes had skewed histograms, and increasing levels except Superior, which was flat. The volume of unacceptable events increased for all the lakes except Superior, which was flat. The extreme high and low values increased for some lakes and decreased for others. The event durations also increased for some lakes and decreased for others. The gap time for high events generally decreased and for low events increased for some and decreased for others. This new method (UVSA) shows promise for decision making.
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 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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».