Develop Evaporation Model Using Multiple Linear Regression in the Western Desert of Iraq –Horan Valley
Notice bibliographique
Résumé
Evaporation is influenced by several meteorological parameters, evaporation data are usually difficult to obtain compared to rainfall data, especially in arid regions. Developing a monthly evaporation prediction model in arid regions in terms of available meteorological data is a significant step. The data used in this study for modeling are monthly measurements to cover substantial continuity over a period of 18 years between January 2000 and December 2017. Stepwise and backward multiple linear regression techniques were used with a new procedure of variable selection to select the best model. Temperature, wind speed, relative humidity and sunshine hours were used as a independent variables in the multiple linear regression (MLR) technique to establish the best prediction of the evaporation model. To examine the MLR evaporation developed model in the current study, MLR results were compared with the most common evaporation models commonly used in arid regions such as Kharufa and Khosla methods. The results of performance indicators shows that the R2 values are approximately 0.937, 0.90 and 0.85 for MLR evaporation developed model, Kharufa and Khosla methods, respectively. Moreover, the values of the error measures, namely RMSE and NAE for MLR evaporation developed model were 36.3 and 0.123, Kharufa model 71.22 and 0.241 and Khosla model was and 173.7 and 0.581 respectively. Based on the foregoing, the results of the MLR developed evaporation model in the current study outperforms in all performance indicators and proves to be better than the Kharufa and Khosla models.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».