Groundwater Estimation from Major Physical Hydrology Components Using Artificial Neural Networks and Deep Learning
Notice bibliographique
Résumé
Precise estimation of physical hydrology components including groundwater levels (GWLs) is a challenging task, especially in relatively non-contiguous watersheds. This study estimates GWLs with deep learning and artificial neural networks (ANNs), namely a multilayer perceptron (MLP), long short term memory (LSTM), and a convolutional neural network (CNN) with four different input variable combinations for two watersheds (Baltic River and Long Creek) in Prince Edward Island, Canada. Variables including stream level, stream flow, precipitation, relative humidity, mean temperature, evapotranspiration, heat degree days, dew point temperature, and evapotranspiration for the 2011–2017 period were used as input variables. Using a hit and trial approach and various hyperparameters, all ANNs were trained from scratched (2011–2015) and validated (2016–2017). The stream level was the major contributor to GWL fluctuation for the Baltic River and Long Creek watersheds (R2 = 50.8 and 49.1%, respectively). The MLP performed better in validation for Baltic River and Long Creek watersheds (RMSE = 0.471 and 1.15, respectively). Increased number of variables from 1 to 4 improved the RMSE for the Baltic River watershed by 11% and for the Long Creek watershed by 1.6%. The deep learning techniques introduced in this study to estimate GWL fluctuations are convenient and accurate as compared to collection of periodic dips based on the groundwater monitoring wells for groundwater inventory control and 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.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».