Reliability of Artificial Intelligence-based Models Compared to Numerical Model for Predicting Groundwater Level under Changing Climate
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
Groundwater modeling is a crucial tool for simulating groundwater level behavior under future climate change scenarios, and for studying the effects of water management strategies on sustainability of groundwater resources. In this study, two types of models, namely, a physical-based numerical model called MODFLOW, and a data-driven model called Genetic Algorithm-based Multilayer Perceptron (MLP-GA), were evaluated for the reliable predictions of groundwater levels in the semi-arid region of the Karnal district, Haryana. Seven hybrid MLP-GA models were developed with different combinations of input variables such as rainfall, crop evapotranspiration, deep percolation, and irrigation water requirement. The numerical model and hybrid MLP-GA models were calibrated and validated using groundwater-level data from the pre-monsoon period. Among the hybrid models, the model M-1 with four input variables (crop evapotranspiration, rainfall, deep percolation, and applied irrigation water) and 4-29-1 (four input nodes, 29 neurons in the hidden layer, and one output node) model architecture performed the best, but the numerical model showed superiority over the MLP-GA models. The numerical model and M-1 model were used to predict future groundwater levels under projected climate change scenario. According to the numerical model, under the RCP4.5 scenario, groundwater levels in the study area were projected to decline by 7.7 meters by the year 2039 compared to the reference year of 2015. The M-1 model predicted decline of 5.0 meter by the year 2039. The study concluded that all input variables are essential for accurately simulating groundwater levels using MLP-GA models, and that the numerical model is more reliable for assessing the impact of climate change on groundwater behavior during future periods.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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