Forecasting of Rainfall Using Seasonal Autoregreressive Integrated Moving Average (SARIMA) Aceh, Indonesia
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».