Modeling total dissolved gas supersaturation in high dam reservoir using advanced novel bidirectional best-first disjoint aggregating M5-rule based algorithms: An innovative framework for ungauged regions
Notice bibliographique
Résumé
• TDG predicted by novel IAER-M5-Rule, DA-M5-Rule, RS-M5-Rule, and WIHW-M5-Rule models. • A new bidirectional best-first algorithm was employed for feature selection. • Models were developed in one station, while their generalization power was tested by another station. • All input variables except discharge were effective on TDG prediction. • The DA-M5-Rule model outperforms other models during the testing and validation stages. Total Dissolved Gas (TDG) supersaturation is a critical ecological indicator for assessing water quality downstream of high dam reservoirs. TDG concentration exceeding 110 % can cause gas-bubble trauma in fish, leading to mortality and adversely affecting other aquatic organisms. We used hourly datasets of Water Temperature, Barometric Pressure, Spill from Dam, Sensor Depth, and Discharge to calibrate the Bidirectional Best First (BBF) algorithm for feature selection and ensemble-based models (hybrid of Iterative Absolute Error Regression (IAER), Disjoint Aggregating (DA), Random Subspace (RS), and Weighted Instance Handler Wrapper (WIHW) with M5-Rule) for TDG prediction. The TDG prediction capabilities of these models were compared to those of the Support Vector Regression model using statistical metrics. The study determined that Spill from Dam significantly influences TDG prediction at both stations (30.3 % and 31.9 %), while Barometric Pressure is the least effective variable (13.9 % and 15.6 %. According to the BBF technique, an optimal input scenario consists of Spill from Dam, Water Temperature, Barometric Pressure, and sensor depth. The DA-M5-Rule model with root mean square error (RMSE) = 4.00 %, and uncertainty coefficient with 95 % confidence level (U 95% ) = 11.00 had the highest predictive power followed by IAER-M5-Rule (RMSE=4.41 %, U 95% =12.16), WIHW-M5-Rule (RMSE=4.42 %, U 95% =12.17), RS-M5-Rule (RMSE=4.61 %, U 95% =12.23) and SVR (RMSE=5.71 %, U 95% =15.00) at the testing stage, while for generalization stage DA-M5-Rule model (RMSE=4.21 %, U 95% =11.08) had the highest generalization power, followed by RS-M5-Rule (RMSE=4.22 %, U 95% =10.90), IAER-M5-Rule (RMSE=4.30 %, U 95% =11.40), WIHW-M5-Rule (RMSE=4.36 %, U 95% =11.44), and SVR (RMSE=5.00 %, U 95% =13.50). The relative deviation of the developed models varied between 0.20–0.78 % during the testing stage and 1.72–2.00 % during the validation stage. Developed models in the current study can be applied as a promising tool across the USA. In addition, these models can be used to precisely predict TDG worldwide, particularly after evaluating its generalization power beyond the USA.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».