Documents disponibles écrits par cet auteur

Modified K-NN Model for Stochastic Stream Flow Simulation / Prairie, James R. in Journal of hydrologic engineering, Vol. 11 N°4 (Juillet/août 2006) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 11 N°4 (Juillet/août 2006) . - 371-378 p. Titre : Modified K-NN Model for Stochastic Stream Flow Simulation Titre original : Modèle Modifié de K-NN pour la Simulation Stochastique d'Ecoulement de Jet Type de document : texte imprimé Auteurs : Prairie, James R., Auteur ; Rajagopalan, Balaji, Auteur ; Fulp, Terry J. ; Zagona, Edith A. Article en page(s) : 371-378 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Colorado  River  Nonlinear  systems  Simulation  Stream  flow  Fleuve  du  Colorado  Systèmes  non-linéaires  Ecoulement  de  jet Index. décimale : 621.3 Ingénierie électrique Résumé : This paper presents a lag-1 modified K-nearest neighbor (K-NN) approach for stochastic streamflow simulation. The simulation at any time t given the value at the time t—1 involves two steps: (1) obtaining the conditional mean from a local polynomial fitted to the historical values of time t and t=1, and (2) then resampling (i.e., bootstrapping) a residual at one of the historical observations and adding it to the conditional mean. The residuals are resampled using a probability metric that gives more weight to the nearest neighbor and less to the farthest. The “residual resampling” step is the modification to the traditional K-NN time-series bootstrap approach, which enables the generation of values not seen in the historical record. This model is applied to monthly streamflow at the Lees Ferry stream gauge on the Colorado River and is compared to both a parametric periodic autoregressive and a nonparametric index sequential method for streamflow generation, each widely used in practice. The modified K-NN approach is found to exhibit better performance in terms of capturing the features present in the data. Cet article présente une approche (K-NN) voisine K-proche modifiée par lag-1 pour la simulation stochastique d'écoulement de jet. La simulation à tout moment t donnée la valeur lorsque le T-1 implique deux étapes : (1) obtenant le moyen conditionnel d'un polynôme local adapté aux valeurs historiques du temps t et t=1, et (2) alors resampling (c.-à-d., amorçant) un résiduel à une des observations historiques et l'ajoutant au moyen conditionnel. Les résiduels sont resampled en utilisant une probabilité métrique qui donne plus de poids au voisin le plus proche et moins au plus lointain. L'étape resampling de "résiduel" est la modification à l'approche traditionnelle de circuit fermé de série chronologique de K-NN, qui permet la génération des valeurs non vues dans le disque historique. Ce modèle est appliqué à l'écoulement mensuel de jet à la mesure de jet de bac de lie sur le fleuve du Colorado et est comparé à une méthode séquentielle automatique périodique paramétrique d'index régressif et non paramétrique pour la génération de streamflow, chacune largement répandue dans la pratique. L'approche modifiée de K-NN s'avère pour montrer une meilleure exécution en termes de capturer les dispositifs actuels dans les données. En ligne : prairie@colorado.edu, rajagopalan.balajir@colorado.edu, tfulp@lc.usbr.gov, zagon [...] [article] Modified K-NN Model for Stochastic Stream Flow Simulation = Modèle Modifié de K-NN pour la Simulation Stochastique d'Ecoulement de Jet [texte imprimé] / Prairie, James R., Auteur ; Rajagopalan, Balaji, Auteur ; Fulp, Terry J. ; Zagona, Edith A. . - 371-378 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 11 N°4 (Juillet/août 2006) . - 371-378 p. Mots-clés : Colorado  River  Nonlinear  systems  Simulation  Stream  flow  Fleuve  du  Colorado  Systèmes  non-linéaires  Ecoulement  de  jet Index. décimale : 621.3 Ingénierie électrique Résumé : This paper presents a lag-1 modified K-nearest neighbor (K-NN) approach for stochastic streamflow simulation. The simulation at any time t given the value at the time t—1 involves two steps: (1) obtaining the conditional mean from a local polynomial fitted to the historical values of time t and t=1, and (2) then resampling (i.e., bootstrapping) a residual at one of the historical observations and adding it to the conditional mean. The residuals are resampled using a probability metric that gives more weight to the nearest neighbor and less to the farthest. The “residual resampling” step is the modification to the traditional K-NN time-series bootstrap approach, which enables the generation of values not seen in the historical record. This model is applied to monthly streamflow at the Lees Ferry stream gauge on the Colorado River and is compared to both a parametric periodic autoregressive and a nonparametric index sequential method for streamflow generation, each widely used in practice. The modified K-NN approach is found to exhibit better performance in terms of capturing the features present in the data. Cet article présente une approche (K-NN) voisine K-proche modifiée par lag-1 pour la simulation stochastique d'écoulement de jet. La simulation à tout moment t donnée la valeur lorsque le T-1 implique deux étapes : (1) obtenant le moyen conditionnel d'un polynôme local adapté aux valeurs historiques du temps t et t=1, et (2) alors resampling (c.-à-d., amorçant) un résiduel à une des observations historiques et l'ajoutant au moyen conditionnel. Les résiduels sont resampled en utilisant une probabilité métrique qui donne plus de poids au voisin le plus proche et moins au plus lointain. L'étape resampling de "résiduel" est la modification à l'approche traditionnelle de circuit fermé de série chronologique de K-NN, qui permet la génération des valeurs non vues dans le disque historique. Ce modèle est appliqué à l'écoulement mensuel de jet à la mesure de jet de bac de lie sur le fleuve du Colorado et est comparé à une méthode séquentielle automatique périodique paramétrique d'index régressif et non paramétrique pour la génération de streamflow, chacune largement répandue dans la pratique. L'approche modifiée de K-NN s'avère pour montrer une meilleure exécution en termes de capturer les dispositifs actuels dans les données. En ligne : prairie@colorado.edu, rajagopalan.balajir@colorado.edu, tfulp@lc.usbr.gov, zagon [...]