Penambahbaikan Kaedah Peramalan Purata Setempat bagi Peramalan Data Siri Masa Aras Sungai di Kawasan Banjir
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
Aras air yang agak tinggi, tidak menentu dan melebihi tebing sungai adalah penyebab kepada bencana banjir. Ini memberi kesan kepada berlakunya banjir di kawasan pinggir sungai akibat daripada paras air yang tidak menentu. Kajian ini menggunakan data siri masa di Sungai Dungun, Terengganu bermula daripada April 2009 hingga Mei 2010 melibatkan bacaan paras air yang melebihi paras bahaya. Tujuan kajian ini adalah untuk mengesan kehadiran telatah kalut dan dan seterusnya membuat peramalan aras air sungai di Sungai Dungun. Pengesanan kehadiran telatah kalut adalah dengan menggunakan kaedah plot ruang fasa dan kaedah Cao. Manakala, peramalan aras air dilakukan menggunakan kaedah penambahbaikan kaedah peramalan purata setempat (penambahbaikan KPPS). Hasil kajian menunjukkan telatah kalut hadir dengan menggunakan kaedah plot ruang fasa dan kaedah Cao. Hasil peramalan menunjukkan bahawa kaedah penambahbaikan ini dapat memberikan hasil peramalan yang cemerlang dengan nilai pekali korelasi melebihi 0.999000. Perbandingan hasil peramalan turut dilaksanakan dengan menggunakan kaedah peramalan purata setempat (KPPS) pada data yang sama. Hasil perbandingan ketepatan peramalan menunjukkan bahawa kaedah penambahbaikan KPPS adalah lebih tepat berbanding peramalan menggunakan kaedah KPPS dengan peningkatan ketepatan hasil peramalan sebanyak 1.77%. Oleh itu, kaedah penambahbaikan KPPS ini adalah sesuai dan dicadangkan untuk digunakan dalam meramal data siri masa aras air sungai di kawasan banjir dan seterusnya memberi manfaat kepada pihak berkuasa tempatan yang bertanggungjawab bagi memberikan amaran awal bencana banjir di kawasan terlibat.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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