Prediction of Monthly Evaporation Model Using Artificial Intelligent Techniques in the Western Desert of Iraq-Al-Ghadaf Valley
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
The use of traditional methods to predict evaporation may face many obstacles due to the influence of many factors on the pattern of evaporation's shape. Therefore, the use of existing methods of artificial intelligence is a reliable prediction model in many applications in engineering. Monthly measurements were employed in the present work to predict for duration eighteen years, from beginning of January 2000 until December 2017. The best model was chosen using ANNs (MLP, RBF) and AI (SVM) techniques. The best evaporation model prediction was made using ANNs (MLP, RBF) and AI (SVM) technologies, with temperature, wind speed, relative humidity, and sunshine hours used as independent variables. Several statistical metrics have been used to evaluate the effectiveness of the proposed model to other popular artificial intelligence models. The obtained result denotes the superiority of the MLP models over the RBF and SVM models. It is concluded that the MLP model is better than RBF and SVM for evaporation prediction for both groups. A comparison of the model performance between MLP, RBF, and SVM models indicated that the MLP-ANN method presents the best estimates of monthly evaporation rate with minimum RMSE 0.033, minimum MAE 0.026, and maximum determination coefficient 0.967.
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 | 0,001 | 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 | 0,000 |
| 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 découle