Stack-ClimaBoost: A Model for Analysing the Patterns of Global Warming Across the Continents
Notice bibliographique
Résumé
The increasing severity of climate change, including global warming, makes it crucial to act quickly to adapt and reduce its impact.To address the complex issues of climate change, we need to understand how it affects different continents.Traditional methods of predicting climate change often fail due to the inherent complexities and nonlinearities of climate systems.Thus, to overcome these limitations, this study proposes a machine learning-based stacking model.Initially, the state of art models was trained while the results are unsatisfactory, the grid search optimization was employed to improve the results.However, the results produced were in a mediocre state.Thus, a stacking based, Stack-ClimaBoost model was proposed.This model optimizes the integration of Random Forest (RF), CatBoost (CB), and Light Gradient Boosting Machine (LGBM) using grid search optimization.The Stack-ClimaBoost model outperforms previous state-of-the-art models obtaining a low MAPE 0.765, an RMSE of 2.254, and an R 2 value of 0.9003.In addition, for each of the seven continents Stack-ClimaBoost model performed better with a low MAPE (1.8653-5.8280), an RMSE (1.2-4.57), with a higher R² value of (0.65-0.94).With its adaptable solutions, the proposed Stack-ClimaBoost Regressor model could excel in environmental research and climate modeling on multiple continents.Enhancing precision facilitates more dependable prognostications of temperature patterns, thereby supporting proactive strategizing and decision-making aimed at alleviating the consequences of climate change.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».