Inductive Transfer Applied to Modeling River Discharge in Nova Scotia
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Effective watershed management requires accurate modeling of river discharge. Many years of data collection are often required to capture variations in seasonal trends and produce accurate predictive and descriptive models. In this study artificial neural networks that employ inductive transfer are used to develop models that predict the discharge (flow rate) of streams in Nova Scotia from weather data. The models use two days of weather data to predict the discharge for the following day. The objective is to show that transfer of knowledge from previously learned models for streams can be used to reduce the time and cost associated with collecting large amounts of data for modeling the discharge of a nearby river.
 
 Results show that models developed using only 180 days of training data with transfer from related streams perform as well on independent test data as models constructed using five years of training data and no transfer. The results also show that a considerable variance in stream discharge and stream morphology can be accommodated and that the induced models may be acceptable for management of the resource when little data are available. There is scope for improving the method of transfer by taking into consideration the degree of relatedness between the streams, watersheds, and their associated climate conditions.
 
 RÉSUMÉ
 
 Une bonne gestion des bassins versants exige une modélisation exacte du débit fluvial. Il faut souvent de nombreuses années de collecte de données pour rendre compte des variations saisonnières et produire des modèles de prévision et des modèles descriptifs exacts. Dans le cadre de cette étude, des réseaux neuronaux qui font appel au transfert induit de données météorologiques sont utilisés pour prédire le débit de cours d’eau en Nouvelle-Écosse. Les modèles retenus reposent sur deux journées de données météorologiques pour la formulation de prévisions du débit pour le lendemain. Il s’agit d’illustrer qu’il est possible d’utiliser des connaissances tirées d’autres modèles de cours d’eau déjà établis et de réduire ainsi le temps et les coûts associés à la collecte de données de modélisation du débit d’une rivière proche.
 
 Les résultats indiquent que les modèles établis qui se fondent uniquement sur 180 jours de données de formation et tirées d’autres cours d’eau apparentés donnent d’aussi bons résultats à l’aide des données d’essai indépendant que par les données de modèles établis à partir de cinq années de données de formation, sans transfert. Les résultats établissent par ailleurs qu’il est possible de rendre compte d’un écart considérable dans le débit et la morphologie des cours d’eau et que les modèles produits à l’aide de données préalables sont acceptables pour la gestion de la ressource s’il y a peu de données. Il serait possible d’améliorer ce transfert de connaissances en tenant compte du degré de similitude entre les cours d’eau, les bassins versants et les conditions climatiques connexes. 
 
 [Traduit par la redaction]
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it