Innovative multi-temporal evapotranspiration forecasting using empirical fourier decomposition and bidirectional long short-term memory
Notice bibliographique
Résumé
Reference evapotranspiration (ET o ) is an essential environmental variable that is intimately significant to agriculture. Managing water and crop planning relies heavily on precise forecasting of ET o . This research used a novel time series decomposition technique, Empirical Fourier Decomposition (EFD), to forecast ET o accurately. Four machine learning techniques were used to forecast ET o using decomposed lagged ET o values. The input data source was from Prince Edward Island (PEI) weather stations (Harrington and St Peters Stations). First, autocorrelation analysis was performed to determine effective lags. Then, ET o data were decomposed using EFD, and lagged data was created based on EFD results. The Kbest feature selection algorithm was used to choose effective inputs, reducing the training time. The accuracy of models was evaluated using different statistical metrics such as correlation coefficient (R) and root mean square error (RMSE). The results showed that using EFD decomposition can significantly improve forecast accuracy. The comparison between different machine learning models showed that the deep learning-based model (Bidirectional LSTM (Long Short Term Memory)) ( R = 0.956, RMSE= 0.451 mm/day for Harrington station and R = 0.956, RMSE= 0.451 mm/day for St Peters station) performed better than the Generalized Regression Neural Network (GRNN), K-nearest neighbor (KNN), and Random Forest (RF) models. Finally, the best model (EFD-Bidirectional LSTM) was used to forecast multitemporal ET o at both stations. Results showed that the developed model can forecast ET o for up to 28 days with reasonable accuracy. However, the accuracy of multi-step ahead forecasting decreases when evapotranspiration values are high, as the models tend to underestimate these values. The findings of this study can assist in accurately calculating crop water requirements and help farmers optimize their irrigation schedules.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 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 ».