Deep learning versus gradient boosting machine for pan evaporation prediction
Notice bibliographique
Résumé
In the present study, two innovative techniques namely, Deep Learning (DL) and Gradient boosting Machine (GBM) models are developed based on a maximum air temperature ‘univariate modeling scheme’ for modeling the monthly pan evaporation (Epan) process. Monthly air temperature and pan evaporation are used to build the predictive models. These models are used for evaluating the evaporation prediction for the Kiashahr meteorological station located in the north of Iran and Ranichauri station positioned in Uttarakhand State of India. Findings indicated that the deep learning model was found best at Kiashahr station for testing datasets MAE (0.5691, mm/month), RMSE (0.7111, mm/month), NSE (0.7496), and IOA (0.9413). It can be concluded that in the semi-arid climate of Iran both of the used methods had the good capability in modeling of monthly Epan. However, DL predicted monthly Epan better than GBM. Moreover, the highest accuracy of the deep learning model was also observed for the Ranichauri station in terms of MAE = 0.3693 mm/month, RMSE = 0.4357 mm/month, NSE = 0.8344, & IOA = 0.9507 in testing stage. Overall, results expose the superior performance of DL-based models for both study stations and can also be utilized for various other environmental modeling.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».