Study of Climate Change in the Mandalika International Circuit Area Using Neural Network Backpropagation
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
Climate change is a global phenomenon that also causes small-scale effects. This study aims to determine future climate changes in the Mandalika International Circuit area using the artificial neural network of the MATLAB GUI-based backpropagation method. The simulation stage used daily rainfall intensity data collected in the Mandalika International Circuit area from 2012-2021 (365 data). A preliminary analysis concluded that the Mandalika International Circuit area is dominated by a very wet climate according to the Schmidt-Ferguson classification, which occurred in 2012, 2013, 2017, and 2021. This study used two architectural models with two and three hidden layers. The TRAINRP training function and the LOGSIG activation function were utilized at each hidden layer. Between the two architectures, the better architecture was selected, namely the 100-50-10-1 (three hidden layers) that resulted in an accuracy rate of 99.90% and an MSE of 0.0412376 achieved in the 258th iteration. These results indicate that the area has a very wet climate with the highest rain intensity in March and the lowest in January. The results of this study show that the backpropagation method can be used to help formulate an alternative policy on the measures for handling and mitigating extreme climate change in upcoming periods, especially during international events at the Mandalika International Circuit area.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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