Enhancing Pan evaporation predictions: Accuracy and uncertainty in hybrid machine learning models
Notice bibliographique
Résumé
Pan Evaporation (E p ) plays a pivotal role in water resource management, particularly in arid and semi-arid regions. This study assesses the predictive performance of a comprehensive range of advanced machine learning (ML) and deep learning (DL) algorithms for E p prediction using readily available environmental sensing data. The models investigated include M5 Prime (M5P), M5Rule (M5R), Kstar, their hybridized versions employing Bagging (BA), the adaptive neuro-fuzzy inference system (ANFIS), ANFIS-GA (genetic algorithm), and long short-term memory (LSTM) networks. A 30-year dataset of monthly meteorological observations (1988–2018) from the Kermanshah synoptic station in Iran served as the basis for this analysis, incorporating variables such as temperature, relative humidity, solar exposure, wind speed, and rainfall. Eight input scenarios were developed using both manual and automated feature selection techniques, including correlation-based subset selection evaluation (CfsSubsetEval or simply CSE), Principal Component Analysis (PCA), and the Relief Attribute Evaluator (RAE). The results demonstrate that the BA-Kstar ensemble model achieved superior performance (R 2 = 0.91, RMSE = 1.60, NSE = 0.91, and RSR = 0.30). Notably, manually constructed input scenarios outperformed automated feature selection methods, with maximum temperature emerging as the most significant predictor of E p variability. This study underscores the reliability and efficacy of hybrid ML models for E p forecasting, with significant implications for their broader application in diverse climates and geographical regions. • E p prediction by tree-, rule-, lazy- and neuron-based models is investigated. • Predictive performance of Decision Tree, ANFIS, LSTM and their ensemble models are examined. • Optimal input scenarios were investigated using feature selection and manual approaches. • BA-Kstar ensemble model exhibited superior performance in E p prediction. • The uncertainty analysis highlights that input selection impacts E p more than model selection.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».