Data Reconstruction for Groundwater Wells Proximal to Lakes: A Quantitative Assessment for Hydrological Data Imputation
Notice bibliographique
Résumé
The reconstruction of missing groundwater level data is of great importance in hydrogeological and environmental studies. This study provides a comprehensive and sequential approach for the reconstruction of groundwater level data near Lake Uluabat in Bursa, Turkey. This study addresses missing data reconstruction for both past and future events using the Gradient Boosting Regression (GBR) model. The reconstruction process is evaluated through model calibration metrics and changes in the statistical properties of the observed and reconstructed time series. To achieve this goal, the groundwater time series from two observational wells and lake water levels during the January 2004 to September 2019 period are used. The lake water level, the definition of the four seasons via the application of three dummy variables, and time are used as inputs in the prediction of groundwater levels in observation wells. The optimal GBR model calibration is achieved by training the dataset selected based on data gaps in the time series, while test-past and test-future datasets are used for model validation. Afterward, the GBR models are used in reconstructing the missing data both in the pre- and post-training data sets, and the performance of the models are evaluated via the Nash–Sutcliffe efficiency (NSE), Root Mean Square Percentage Error (RMSPE) and Performance Index (PI). The statistical properties of the time series including the probability distribution, maxima, minima, quartiles (Q1–Q3), standard error (SE), coefficient of variation (CV), entropy (H), and error propagation are also measured. It was concluded that GBR provides a good base for missing data reconstruction (the best performance was as high as NSE: 0.99, RMSPE: 0.36, and PI: 1.002). In particular, the standard error and the entropy of the system in one case, respectively, experienced a 53% and 35% rise, which was found to be tolerable and negligible.
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 | 0,052 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».