Application of machine learning and deep learning for predicting groundwater levels in the West Coast Aquifer System, South Africa
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
Abstract Groundwater models are valuable tools to quantify the response of groundwater level to hydrological stresses induced by climate variability and groundwater extraction. These models strive for sustainable groundwater management by balancing recharge, discharge, and natural processes, with groundwater level serving as a critical response variable. While traditional numerical models are labour-intensive, machine learning and deep learning offer a data-driven alternative, learning from historical data to predict groundwater level variations. The groundwater level in wells is typically recorded as continuous groundwater level time series data and is essential for implementing managed aquifer recharge within a particular region. Machine learning and deep learning are essential tools to generate a data-driven approach to modeling an area, and there is a need to understand if they are the most suitable tools to improve model prediction. To address this objective, the study evaluates two machine learning algorithms - Random Forest (RF) and Support Vector Machine (SVM); and two deep learning algorithms - Simple Recurrent Neural Network (SimpleRNN) and Long Short-Term Memory (LSTM) for modeling groundwater level changes in the West Coast Aquifer System of South Africa. Analysis of regression error metrics on the test dataset revealed that SVM outperformed the other models in terms of the root mean square error, whereas random forest had the best performance in terms of the MAE. In the accuracy analysis of predicted groundwater levels, SVM achieved the highest accuracy with an MAE of 0.356 m and an RMSE of 0.372 m. The study concludes that machine learning and deep learning are effective tools for improved modeling and prediction of groundwater level. Further research can incorporate more detailed geologic information of the study area for enhanced interpretation.
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 | 0,003 | 0,000 |
| 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 découle