Prediction of three vital rainfall characteristics: Advanced hybrid tree- or lazy-based learner?
Notice bibliographique
Résumé
Rainfall is considered the most important factor affecting floods, soil erosion, water quality, and groundwater resources. Therefore, accurate rainfall prediction is imperative for the efficient management of land and water resources. This study was aimed at investigating the capabilities of ensemble machine learning algorithms in predicting rainfall characteristics, including the monthly rainfall volume, maximum daily rainfall, and number of rainy days. Specifically, tree-based (random forest and dual perturb and combine tree), and lazy learner (Kstar and instance-based K-nearest neighbors) models, along with their hybridized with rotation forest model (ROF) were used for the rainfall predictions. To meet the aim, nine rainfall-related weather variables, including minimum, maximum, and mean relative humidity; solar radiation; minimum, maximum, and mean temperature; evaporation; and wind speed were considered as inputs in Fars province, Iran. All models were evaluated using qualitative and standard statistical metrics. Minimum relative humidity was found to be the most significant/sensitive input variable in all cases (correlation coefficient between 0.77 and 0.85), while wind speed was found to be the least effective variable (correlation coefficient between 0.15 and 0.20). Minimum relative humidity data alone were sufficient to build efficient input scenarios for all models for the given region and timeframe. Based on the performance metrics, the ROF-Kstar hybrid model was found to be the most effective and robust for the prediction of all the response variables with Nash Sutcliff Efficiency ranges between 0.65 and 0.70. Overall, lazy-based learner models outperformed the tree-based models. This study highlights the potential of proposed novel techniques to predict rainfall characteristics, which can be extended to other domains.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».