S-Transformer: a new deep learning model enhanced by sequential transformer encoders for drought forecasting
Notice bibliographique
Résumé
Abstract Droughts are prolonged periods of rainfall deficit, the frequency of which has increased due to global warming, causing severe impacts on water resources, agriculture, ecosystems, and food security. Given their significance, accurate monitoring and forecasting of droughts are crucial for effective water resource management. This paper introduces sequential-based transformers (S-Transformer), a novel deep-learning approach, aimed to apply for meteorological droughts prediction using their historical events. The core of the S-transformer algorithm is the orderly computing of an output by utilizing the sequence of inputs. Training of the S-transformer involves forward and backward passes through the network to adjust the weights and biases, using gradient descent optimization. This process uses fixed-size dynamic windows to minimize the difference between the observed and forecasted outputs. To demonstrate the effectiveness and performance of the new model, two case studies were presented based on the observed standardized precipitation index in Isparta and Burdur cities, Türkiye. In addition, the S-Transformer efficiency was compared with those of three benchmark models including a classic multilayer perceptron, a deep learning long-short-term memory, and a deep classic transformer model. The promising results of the proposed model proved its superiority over its counterparts in terms of different performance metrics. In Isparta and Burdur cities, the S-Transformer achieved the root mean squared values of 0.096 and 0.098 on the testing set, respectively.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».