Prévision hydrologique à court terme par réseaux de neurones artificiels pour différentes combinaisons, spatialisations et sources des intrants.
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
Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. \nLe modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. \nDeux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. \nBasé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 it