A Comparison of Two Data-Driven Models to Predict Hypolimnetic Dissolved Oxygen Concentration: A Case Study of the Seymareh Reservoir in Iran
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
Dissolved oxygen concentration (DO) is a crucial factor in maintaining aquatic ecosystem health. In this research, two data-driven modelling (DDM) techniques, multiple linear regression (MLR) and artificial neural networks (ANN), were developed, implemented and compared to predict the DO in the hypolimnetic layer of Seymareh Reservoir in Iran. Low DO in this Reservoir lead to a fish kill event and thus, this reservoir is of interest to water managers in the region. Water quality monitoring data from the Reservoir and an upstream river were used for training the models. In addition, two input variable selection methods, linear correlation analysis and combined neural pathway strength analysis (a nonlinear variable selection method) were developed and compared to determine the most significant inputs to predict hypolimnetic DO. A systematic method to select the optimum architecture of the network was also tested. These two approaches are typically ignored in DDM approaches and this research demonstrates the importance of using systematic input selection and network design for improved DO prediction in a large Reservoir. The performance of the models was quantified using the Nash-Sutcliffe efficiency and root mean squared error which demonstrated that the ANN approach had better performance compared to the MLR model. The approach demonstrates that by using a systematic input variable selection approach combined with an optimised network architecture, a high performance of DO prediction can be achieved using easily measured upstream input data.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle