English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Zendy Pro

Presents the zaia usage as premium feature

ZAIA

Presents AI Discovery search usage as a premium feature

AI Discovery

Presents AI Discovery explain and summary usage as a premium feature

Content Analysis

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Presents the pdf analysis as premium feature

PDF Analysis

1500 Top-up

3000 Top-up

Zendy Basic

2500 Top-up

Zendy Unlimited

Presents the access of premium content as premium feature

Premium Content

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.  RESUME  Une bonne gestion des bassins versants exige une modelisation exacte du debit fluvial. Il faut souvent de nombreuses annees de collecte de donnees pour rendre compte des variations saisonnieres et produire des modeles de prevision et des modeles descriptifs exacts. Dans le cadre de cette etude, des reseaux neuronaux qui font appel au transfert induit de donnees meteorologiques sont utilises pour predire le debit de cours d’eau en Nouvelle-Ecosse. Les modeles retenus reposent sur deux journees de donnees meteorologiques pour la formulation de previsions du debit pour le lendemain. Il s’agit d’illustrer qu’il est possible d’utiliser des connaissances tirees d’autres modeles de cours d’eau deja etablis et de reduire ainsi le temps et les couts associes a la collecte de donnees de modelisation du debit d’une riviere proche.  Les resultats indiquent que les modeles etablis qui se fondent uniquement sur 180 jours de donnees de formation et tirees d’autres cours d’eau apparentes donnent d’aussi bons resultats a l’aide des donnees d’essai independant que par les donnees de modeles etablis a partir de cinq annees de donnees de formation, sans transfert. Les resultats etablissent par ailleurs qu’il est possible de rendre compte d’un ecart considerable dans le debit et la morphologie des cours d’eau et que les modeles produits a l’aide de donnees prealables sont acceptables pour la gestion de la ressource s’il y a peu de donnees. Il serait possible d’ameliorer ce transfert de connaissances en tenant compte du degre de similitude entre les cours d’eau, les bassins versants et les conditions climatiques connexes.  [Traduit par la redaction]

Inductive Transfer Applied to Modeling River Discharge in Nova Scotia