Application of artificial neural networks to forecasting monthly rainfall one year in advance for locations within the Murray Darling basin, Australia
Notice bibliographique
Résumé
Much of Australia regularly experiences extremes of drought and flooding, with high variability in rainfall in many regions of the continent.Development of reliable and accurate medium-term rainfall forecasts is important, particularly for agriculture.Monthly rainfall forecasts 12 months in advance were made with artificial neural networks (ANNs), a form of artificial intelligence, for the locations of Bathurst Deniliquin, and Miles, which are agricultural hubs in the Murray Darling Basin, in southeastern Australia.Two different approaches were used for the optimisation of the ANN models.In the first, all months in each calendar year were optimised together, while in the second approach, rainfall forecasts for each month of the year were made individually.For each of the three locations for most months, higher forecast skill scores were achieved using single-month optimizations.In the case of Bathurst, however, for the months of November and December, the root mean square error (RMSE) for all-month optimisation was lower than for single-month optimisation.The best overall rainfall forecasts for each site were obtained by generating a composite of the two approaches, selecting the forecast for each month with the lowest forecast errors.Composite model skill score levels of at least 40% above that of climatology were achieved for all three locations, whereas skill level derived from forecasts using general circulation models is generally only comparable to climatology at the long-lead time of 8 months.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».