Efficacy of machine learning techniques in predicting groundwater fluctuations in agro-ecological zones of India
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
In the 21st century, groundwater depletion is posing a serious threat to humanity throughout the world, particularly in developing nations. India being the largest consumer of groundwater in the world, dwindling groundwater storage has emerged as a serious concern in recent years. Consequently, the judicious and efficient management of vital groundwater resources is one of the grand challenges in India. Groundwater modeling is a promising tool to develop sustainable management strategies for the efficient utilization of this treasured resource. This study demonstrates a pragmatic framework for predicting seasonal groundwater levels at a large scale using real-world data. Three relatively powerful Machine Learning (ML) techniques viz., ANFIS (Adaptive Neuro-Fuzzy Inference System), Deep Neural Network (DNN) and Support Vector Machine (SVM) were employed for predicting seasonal groundwater levels at the country scale using in situ groundwater-level and pertinent meteorological data of 1996-2016. ANFIS, DNN and SVM models were developed for 18 Agro-Ecological Zones (AEZs) of India and their efficacy was evaluated using suitable statistical and graphical indicators. The findings of this study revealed that the DNN model is the most proficient in predicting seasonal groundwater levels in most AEZs, followed by the ANFIS model. However, the prediction ability of the three models is 'moderate' to 'very poor' in 3 AEZs ['Western Plain and Kutch Peninsula' in Western India, and 'Deccan Plateau (Arid)' and 'Eastern Ghats and Deccan Plateau' in Southern India]. It is recommended that groundwater-monitoring network and data acquisition systems be strengthened in India in order to ensure efficient use of modeling techniques for the sustainable management of groundwater resources.
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 | 0,002 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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