Forecasting of Rainfall Using Seasonal Autoregreressive Integrated Moving Average (SARIMA) Aceh, Indonesia
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 which has become increasingly erratic in recent decades has become a problem of global warming.So that it has an impact and influence in changing rainfall patterns.A very volatile climate overall can threaten the success of food production.Information about rainfall patterns is very important to agriculture that relies on rainfall as the main source of irrigation.The purpose of this study is to predict rainfall from all time series based on rainfall data for 15 years, 10 years and 5 years.Prediction results were evaluated using the Nash-Sutcliffe Efficiency (NSE) statistical method, RMSE-Observation Standard Deviation Ratio (RSR) and PBIAS.This research was conducted in Aceh Besar District.Indonesia which coincided with Indrapuri District.Analysis of the data used in this study uses the Seasonal Autoregressive Integrated Moving Average (SARIMA) models.The best prediction results are generated from the use of rainfall time series data onto 5 years for 2013-2017 with the evaluation value of the model obtained is in the "Very Good " category.Prediction models for the best rainfall predictions are (0.0.0) and (0.1.2)12with the respective values of NSE of 0.84, RSR 0.41 and PBIAS -2.8.So as a whole the closest prediction results in the actual values are obtained from time series rainfall data onto the past five years.
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 | 0,000 | 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