Bootstrapped ANN for forecasting seawater chlorophyll-a around the north Pacific Rim
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
Seawater chlorophyll-a (Chla) represents algal biomass in ocean and is a major index of eutrophication. In this paper, bootstrapped artificial neural network (BANN) model is developed for predicting the seawater Chla concentration around the north Pacific Rim. Three-layer ANN structure is applied and the modeling is based on comprehensive five-minute interval datasets of water temperature, depth, salinity and Chla collected by Continuous Plankton Recorder Survey of north Pacific in 2014. Prediction intervals (PI) are constructed according to the calculated uncertainties from the model structure and data noise. The performance of BANN is compared with traditional ANN model. The results show that BANN with 6 hidden neurons can forecast Chla effectively and produce better performance than ANN model when the bootstrapped number are bigger than 20. In addition, mean relative error (MRE) and root mean square error (RMSE) of the BANN(20) are respective 8.57% and 1.869 mg/m3, but the BANN is not fit for the Alaska coastal region. About 52 (1.31%) observations are larger than the upper bound of prediction intervals and these `outliers' fallen into three regions can be attributed to potential nutrients from mariculture or terrestrial influences which are inferred as anthropogenic and natural sources. The BANN model applied in this paper can help managers to make more appropriate decisions on ocean ecological management.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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