Improvement of the Low Resolution of the Dataset and Prediction of the Water Quality Using the SWAT-LSTM Hybrid Model
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 river environment where people, animals, and plants exist together is a significant place to continue their own lives. Especially, since the river water quality directly impacts the survival of living things, it is crucial to effectively manage the quality of river water. To manage the river water quality effectively, it is important to make appropriate water quality management plans by accurately predicting the river water quality. Many researchers have utilized various tools for modelling the water quality of the river environment. Until now, river water quality has been modelled using the watershed model such as Soil and Water Assessment Tool (SWAT) [1], Hydrological Simulation Program-Fortran (HSPF) [2], and QUAL2E [3]. However, those models are developed in the US government (United States Department of Agriculture and United States Environmental Protection Agency), so it is challenging work to adapt those models to Korean watershed direct. And nowadays, the application of Artificial Intelligence (AI) is gradually increasing, because of its high prediction accuracy, adaptability for non-linearity, and high speed rather than other methodologies Despite the increasing use of AI in river water quality modelling, a challenge is that AI requires high-resolution dataset for effective modelling. However, in Korea, the resolution of the dataset for water quality of river environment is low because of lack of the number of conducted water quality monitoring stations.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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