Design and Implementation of a Deep Learning Model and Stochastic Model for the Forecasting of the Monthly Lake Water Level
Notice bibliographique
Résumé
Freshwater is becoming increasingly vulnerable to pollution due to both climate change and an escalation in water consumption. The management of water resource systems relies heavily on accurately predicting fluctuations in lake water levels. In this study, an artificial neural network (ANN), a deep learning (DL) neural network model, and an autoregressive integrated moving average (ARIMA) model were employed for the water level forecasting of the St. Clair and Ontario Lakes from 1981 to 2021. To develop the models, we utilized the average mutual information and incorporated lag periods of up to 6 months to identify the optimal inputs for the water level assessment in the lakes. The results were compared in terms of the root mean square error (RMSE), coefficient of correlation (r), and mean absolute percentage error (MAPE) and graphical criteria. Upon evaluating the results, it was observed that the error values for the deep learning models were insignificant at the designated stations: Lake St. Clair—0.16606 m < RMSE < 1.0467 m and Lake Ontario—0.0211 m < RMSE < 0.7436 m. The developed deep learning model increased the accuracy of the models by 5% and 3.5% for Lake St. Clair and Lake Ontario, respectively. Moreover, the violin plot of the deep learning model for each lake was most similar to the violin plot of the observed data. Hence, the deep learning model outperformed the ANN and ARIMA model in each lake.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».