Model-based prediction of water levels for the Great Lakes: a comparative analysis
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
Abstract This comprehensive study addresses the correlation between water levels and meteorological features, including air temperature, evaporation, and precipitation, to accurately predict water levels in lakes within the Great Lakes basin. Various models, namely multiple linear regression (MLR), nonlinear autoregressive network with exogenous inputs (NARX), Facebook Prophet (FB-Prophet), and long short-term memory (LSTM), are employed to enhance predictions of lake water levels. Results indicate that all models, except for FB-Prophet, perform well, particularly for Lakes Erie, Huron-Michigan, and Superior. However, MLR and LSTM show reduced performance for Lakes Ontario and St. Clair. NARX emerges as the top performer across all lakes, with Lakes Erie and Superior exhibiting the lowest error metrics—root mean square error (RMSE: 0.048 and 0.034), mean absolute error (MAE: 0.036 and 0.026), mean absolute percent error (MAPE: 0.021% and 0.014%), and alongside the highest R-squared value (R 2 : 0.977 and 0.968), respectively. Similarly, for Lake Huron-Michigan, NARX demonstrates exceptional predictive precision with an RMSE (0.029), MAE (0.022), MAPE (0.013%), and an outstanding R 2 value of 0.995. Despite slightly higher error metrics, NARX consistently performs well for Lake Ontario. However, Lake St. Clair presents challenges for predictive performance across all models, with NARX maintaining relatively strong metrics with an RMSE (0.076), MAE (0.050), MAPE (0.029%), and R 2 (0.953), reaffirming its position as the leading model for water level prediction in the Great Lakes basin. The findings of this study suggest that the NARX model accurately predicts water levels, providing insights for managing water resources in the Great Lakes region.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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