Forecasting surface water-level fluctuations of a small glacial lake in Poland using a wavelet-based artificial intelligence method
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.
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 | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».