Model-based prediction of water levels for the Great Lakes: a comparative analysis
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».