Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates
Notice bibliographique
Résumé
Evaporation rate is one of the key parameters in determining the ecological conditions and it has an irrefutable role in the proper management of water resources. In this paper, the efficiency of some data-driven techniques including support vector regression (SVR) and artificial neural networks (ANN) and combination of them with wavelet transforms (WSVR and WANN) were investigated for predicting evaporation rates at Tabriz (Iran) and Antalya (Turkey) stations. For evaluating the performances of studied techniques, four different statistical indicators were utilized namely the root mean square error (RMSE), the mean absolute error (MAE), the correlation coefficient (R), and Nash–Sutcliffe efficiency (NSE). Additionally, Taylor diagrams were implemented to test the similarity among the observed and predicted data. Outcomes showed that at Tabriz station, the ANN3 (third input combination that are air temperatures and solar radiation used by ANN) with RMSE of 0.701, MAE of 0.525, R of 0.990 and NSE of 0.977 had better performances in comparison with WANN, SVR and WSVR. So, the wavelet transforms did not have positive effects in increasing the precision of ANN and SVR predictions at Tabriz station. Also, approximately the same trend was seen at Antalya station. In other words, ANN5 (fifth input combination that are air temperatures, relative humidity and solar radiation used by ANN) with RMSE of 0.923, MAE of 0.697, R of 0.962 and NSE of 0.898 had a more accurate predictions among others. Conversely, wavelet transform reduced the prediction errors of SVR at Antalya station. So, the WSVR5 with RMSE of 1.027, MAE of 0.728, R of 0.950 and NSE of 0.870 predicted evaporation rates of Antalya station more precisely than other SVR models. As a conclusion, results from the current study proved that ANN provided reasonable trends for evaporation modeling at both Tabriz and Antalya stations.
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 | 0,001 |
| 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 ».