Computation of Evapotranspiration with Artificial Intelligence for Precision Water Resource Management
Notice bibliographique
Résumé
Accurate estimation of reference evapotranspiration (ETo) provides useful information for water resource management and sustainable agriculture. This study estimates ETo with recurrent neural networks (RNNs), namely long short-term memory (LSTM) and bidirectional LSTM. Four representative meteorological sites (North Cape, Summerside, Harrington, and Saint Peters) were selected across Prince Edward Island (PEI), Canada to form a PEI dataset from mean values of the four sites’ climatic variables for capturing climatic variability from all parts of the province. Based on subset regression analysis, the highest contributing climatic variables, namely maximum air temperature and relative humidity, were selected as input variables for RNNs’ training (2011–2015) and testing (2016–2017) runs. The results suggested that the LSTM and bidirectional LSTM are suitable methods to accurately (R2 > 0.90) estimate ETo for all sites except Harrington. Testing period (2016–2017) root mean square errors were recorded in range of 0.38–0.58 mm/day for all sites. No major differences were observed in accuracy of LSTM and bidirectional LSTM. Another objective of this study was to highlight the potential gap between ETO and rainfall for assessing agriculture sustainability in Prince Edward Island. Analyses of the data highlighted that the cumulative ETo surpassed the cumulative rainfall potentially affecting yield of major crops in the island. Therefore, agriculture sustainability requires viable options such as supplemental irrigation to replenish the crop water requirements as and when needed.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».