Neuro-Fuzzy Logic Model for Breakup Forecasting at Fort McMurray, AB
Notice bibliographique
Résumé
At many sites in Canada river breakup presents a source of flooding concern, as the transition from an ice covered river to open water can sometimes be dramatic. Water levels can rise sufficiently quickly to fracture and move the ice cover while the ice is still reasonably strong and an ice jam can form if this moving ice comes to a halt. The safety of residents and property along a river may be compromised by the rising water levels behind a jam or by the water associated with the release of a large ice jam. Fort McMurray AB, is one such site and consequently an extensive database of relevant hydrological, hydraulic and meteorological variables has been created to support ice related research in the Athabasca River basin. Over one hundred variables have been investigated with multiple linear regression methods. Results indicate that several combinations of variables can be used to develop a model for maximum water level to be expected at breakup, but data from three seasons (fall, winter and spring) are needed to produce reasonably reliable forecasts. Therefore, only short term forecasts (only a few days warning) are possible with this model. This paper reports on a more sophisticated non-linear analysis undertaken using fuzzy logic theory, a form of artificial intelligence modeling that can incorporate both expert knowledge and historical occurrences. Here, using a logic rule base derived using artificial neural networks, a breakup forecasting model is developed which provides comparable results using fall and winter data only, thus providing a long lead time forecast (several weeks warning) of potential maximum water levels at breakup.
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 | 0,000 | 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 | 0,001 | 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 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 ».