Prediction of hourly actual evapotranspiration using neural networks, genetic programming, and statistical models
Notice bibliographique
Résumé
Abstract The complexity of the evapotranspiration process and its variability in time and space have imposed some limitations on previously developed evapotranspiration models. In this study, two data‐driven models: genetic programming (GP) and artificial neural networks (ANNs), and statistical regression models were developed and compared for estimating the hourly eddy covariance (EC)‐measured actual evapotranspiration (AET) using meteorological variables. The utility of the investigated data‐driven models was also compared with that of HYDRUS‐1D model, which makes use of conventional Penman–Monteith (PM) model for the prediction of AET. The latent heat (LE), which is measured using the EC method, is modelled as a function of five climatic variables: net radiation, ground temperature, air temperature, relative humidity, and wind speed in a reconstructed landscape located in Northern Alberta, Canada. Several ANN models were evaluated using two training algorithms of Levenberg–Marquardt and Bayesian regularization. The GP technique was used to generate mathematical equations correlating AET to the five climatic variables. Furthermore, the climatic variables, as well as their two‐factor interactions, were statistically analysed to obtain a regression equation and to indicate the climatic factors having significant effect on the evapotranspiration process. HYDRUS‐1D model as an available physically based model was examined for estimating AET using climatic variables, leaf area index (LAI), and soil moisture information. The results indicated that all three proposed data‐driven models were able to approximate the AET reasonably well; however, GP and regression models had better generalization ability than the ANN model. The results of HYDRUS‐1D model exhibited that a physically based model, such as HYDRUS‐1D, might be comparable or even inferior to the data‐driven models in terms of the overall prediction accuracy. Based on the developed GP and regression models, net radiation and ground temperature had larger contribution to the AET process than other variables. Copyright © 2010 John Wiley & Sons, Ltd.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».