Multilayer Perceptron-based Predictive Model for the Reconstruction of Missing Rainfall Data
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
Abstract The quality and completeness of rainfall data is a critical aspect in time series analysis and for prediction of future water-related disasters. An accurate estimation of missing data is essential for better rainfall prediction results. Multilayer perceptron (MLP) neural networks have been applied to solve stochastic problems in data science. This study suggests a novel approach for estimating missing rainfall data using MLP neural networks based on three configurations that are represented by the monsoon season (MS), non-monsoon season, and non-seasonal variation. For this purpose, a mathematical model was created to analyze and predict the time series of daily rainfall data in Seoul, South Korea. Missing rainfall data were reconstructed using the rainfall data of the other five stations after removing rainfall data from station number two in three time periods. The results of this study indicate that the new architecture of the MLP can accurately predict the missing rainfall data, particularly in the MS configuration when using only the rainfall data obtained during the MS. The performance of the proposed model was tested using the following evaluation criteria: root mean square error, mean absolute error, correlation coefficient, mean absolute deviation, mean absolute percentage error, and standard deviation. The confusion matrix showed values of 89, 83, and 92% for accuracy, recall, and precision, respectively. This indicates that the proposed model can effectively perform rainfall data reconstruction and predict missing rainfall data accurately when the length of the statistical period is limited to the MS with a high volume of rainfall.
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 | 0,005 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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