Modèles linéaires stochastiques théoriques pour la réponse des petits bassins
Bibliographic record
Abstract
En rendant aléatoires les intrants du modèle déterministe en cascade de réservoirs linéaires de Nash-Dooge, on obtient des modèles linéaires stochastiques adaptés aux petits bassins, qui peuvent être formulés comme des systèmes dynamiques stochastiques linéaires simples représentés par des équations différentielles stochastiques (EDS). Les processus du système, la précipitation et les pertes dues à l'évapotranspiration (cette dernière étant considérée comme un intrant négatif), sont respectivement modélisés par un processus composé de Poisson et par un bruit blanc gaussien à moyenne nulle superposé à une moyenne déterministe. Pour la réponse superficielle et la réponse souterraine, on propose des modèles stochastiques en cascades de Nash-Dooge à n réservoirs linéaires égaux et à deux réservoirs en parallèle. Des travaux récents sur la genèse des débits ont conduit à mettre au point un modèle dynamique grossier, plus plausible conceptuellement, formé de régimes à réponse rapide et à réponse lente parallèles. Ce modèle est élaboré en attribuant au réservoir lent toutes les pertes d'évapotranspiration, les fluctuations de celle-ci étant modélisées par un bruit gaussien coloré à moyenne nulle et en rationalisant un modèle d'infiltration linéarisé fonction d'un écoulement à régime lent précédant une précipitation. En fait, cette contribution vise à donner une portée plus générale à la théorie déterministe de Nash-Dooge basée sur l'hydrogramme unitaire, afin de l'étendre à une théorie linéaire stochastique de réponse d'un bassin.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".