Reference evapotranspiration forecasting using different artificial neural networks algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The present study aims to apply artificial neural networks (ANNs) for reference evapotranspiration (ET o ) prediction. Three different feed-forward artifical neural network (ANN) models, each using varied input combinations of previous months ET o , have been trained and tested. The output of the network was the one-month-ahead ET o . The networks learned to forecast one-month-ahead ET o for Mahanadi reservoir project area using the three learning methods namely quasi-Newton algorithm, Levenberg–Marquardt algorithm and backpropagation with adaptive learning rate algorithm. The training results were compared with each other, and performance evaluations were done for untrained data. The performance evaluations measured were standard error of estimates (SEE), raw standard error of estimates (RSEE), and model efficiency. The best ANN architecture for prediction of ET o was obtained for Mahanadi reservoir project area. The monthly reference evapotranspiration data were estimated by the Penman–Monteith method and used for training and testing of the ANN models. Further ANNs predicted results were compared with those obtained using the statistical multiple regression technique. Based on results obtained, the ANN model with architecture of 3–9-1 (three, nine, and one neuron(s) in the input, hidden, and output layers, respectively) trained using quasi-Newton algorithm was found to be the best amongst all the models with minimum SEE and RSEE of 0.45 and 0.45 mm/d respectively and maximum model efficiency of 93%. It is concluded that ANN can be used to predict ET o .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle