Forecasting surface water-level fluctuations of a small glacial lake in Poland using a wavelet-based artificial intelligence method
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
Lake waters are a significant source of drinking water and contribute to the local economy (e.g. enabling irrigation, offering opportunities for tourism, waterways for transport, and meeting utility water demands); therefore, the ability to accurately forecast lake water levels is important. However, given the significant lack of research with respect to forecasting water levels in small lakes (i.e. 0.05 km 2 < area < 10 km 2 ), the present study sought to address this knowledge gap by testing a pair of hypotheses: (1) it is possible to forecast water levels in small surface lakes using artificial neural networks (ANN), and (2) better water-level forecasts will be obtained when the wavelet transform (WT) is used as an input data pre-processing tool. Based on an analysis of a case study in Lake Biskupinskie (1.16 km 2 ) in Poland and based on a range of model performance statistics (e.g. mean absolute error, root mean square error, mean squared error, coefficient of determination, mean absolute percentage error), both hypotheses were confirmed for monthly forecasting of lake water levels. ANNs provided good forecasting results, and WT pre-processing of input data led to even better forecasts. Additionally, it was found that meteorological variables did not have a significant impact in forecasting water-level fluctuations. In light of the results and the limited scope of the present study, proposed future research directions and problems to be resolved are discussed.
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 | 0,001 |
| 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) | 0,001 | 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