Predictive Modeling of Daily Evapotranspiration in Arid Regions Using Artificial Neural Networks
Notice bibliographique
Résumé
For thousands of years, people have understood the importance of evapotranspiration (ET) in maintaining the hydrologic cycle and replenishing the world's freshwater supplies.The process of estimating evapotranspiration with a high accuracy in arid regions is considered one of the most important processes in hydrological studies.It has a great importance in the efficient management of water resources and hydrological modeling, as well as in the management of irrigation operations, because these areas are permanently linked to the issue of water scarcity.The prediction of evapotranspiration is a vital step towards management of water resource.This study aims to develop an artificial neural network model to predict the evapotranspiration in arid regions.The RBFNN and GRNN models with six input data were used in present study.The input data are Max.temperature, Min.temperature, Ava.Temperature, Humidity, Wind speed and Solar radiation.The ANN modelling was achieved by using MATLAB with hyperbolic sigmoid transfer function for both input and output layers.Several statistical indicators have been used for examining the model's prediction accuracy.Results show that the current model is a powerful model which has the capability to predict the evapotranspiration with high accuracy.The superiority of the GRNN model is very obvious in comparison to the RBFNN model, where the coefficient of determination for GRNN model was more than 96% in comparison with 94% for RBFNN and the mean square error for GRNN was 0.4 in comparison with 0.52 for RBFNN model.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».