A Predictive Model of Chlorophyll a in Western Lake Erie Based on Artificial Neural Network
Notice bibliographique
Résumé
The reoccurrence of algal blooms in western Lake Erie (WLE) since the mid-1990s, under increased system stress from climate change and excessive nutrients, has shown the need for developing management tools to predict water quality. In this study, process-based model GLM-AED (General Lake Model-Aquatic Ecosystem Dynamics) and statistical model ANN (artificial neural network) were developed with meteorological forcing derived from surface buoys, airports, and land-based stations and historical monitoring nutrients, to predict water quality in WLE from 2002 to 2015. GLM-AED was calibrated with observed water temperature and chlorophyll a (Chl-a) from 2002 to 2015. For ANN, during the training period (2002–2010), the inputs included meteorological forcing and nutrient concentrations, and the target was Chl-a simulated by calibrated GLM-AED due to the lack of continuously daily measured Chl-a concentrations. During the testing period (2011–2015), the predicted Chl-a concentrations were compared with the observations. The results showed that the ANN model has higher accuracy with lower Chl-a RMSE and MAE values than GLM-AED during 2011 and 2015. Lastly, we applied the established ANN model to predict the future 10-year water quality of WLE, which showed that the probability of adverse health effects would be moderate, so more intense water resources management should be implemented.
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 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 | 0,000 | 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 | 0,001 |
| 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 tête enseignante, 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 ».