Akurasi Data Curah Hujan Satelit Terhadap Data Pengukuran di Daerah Tangkapan Air (DTA) Waduk Sutami
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
Sutami Reservoir that located in the Brantas River Basin is a multi-purpose reservoir, it’s used to provide of raw water, irrigation, flood control, and power plants, fish farm, and tourism. Rainfall data information is very important in hydrological analysis as the basis for determining operating patterns, water balances, and calculating sediment rates. Rainfall data that is recorded in a row can show us trends or the nature of rain, but in reality it is very difficult to obtain representative rainfall observation data, both in terms of quality and length of observation data, which is quite in accordance with what is required in several locations, it is very difficult due to the absence of rain stations or broken gauges. Therefore, by taking advantage of technological advances, it is necessary to analyze the accuracy of rainfall data via satellite (GPM V6 and TRMM 3B43 V7) as an alternative to using rainfall data to fill data shortages at certain locations. The results of the analysis of the two satellite rainfall data (GPM V6 and TRMM 3B43 V7) are based on the Nash Sutcliffe Efficiency (NSE) parameters, Root Mean Square Errror (RMSE), Real Error (KR), Correlation Coefficient (R) can be used as an alternative to rainfall data, with satellite rainfall data GPM V6 has better accuracy and performance with average value of NSE 0,8, RMSE 66,46, KR 21,63%, R 0,92.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,012 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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