An Overview of Evapotranspiration Estimation Models Utilizing Artificial Intelligence
Notice bibliographique
Résumé
Evapotranspiration (ET) has a significant role in various natural and human systems, such as water cycle balance, climate regulation, ecosystem health, agriculture, hydrological cycle, water resource management, and climate studies. Among various approaches that are employed for estimating ET, the Penman–Monteith equation is known as the widely accepted reference approach. However, the extensive data requirement of this method is a crucial challenge that limits its usage, particularly in data-scarce regions. Therefore, as an alternative approach, artificial intelligence (AI) models have gained prominence for estimating evapotranspiration because of their capacity to handle complicated relationships between meteorological variables and water loss processes. These models leverage large datasets and advanced algorithms to provide accurate and timely ET predictions. The current research aims to review previous studies addressing the application of the AI model in ET modeling under four main categories: neuron-based, tree-based, kernel-based, and hybrid models. The results of this study indicated that traditional models like the Penman–Monteith (PM) require extensive input data, while AI-based approaches offer promising alternatives due to their ability to model complex nonlinear relationships. Despite their potential, AI models face challenges such as overfitting, interpretability, inconsistent input variable selection, and lack of integration with physical ET processes, highlighting the need for standardized input configurations, better pre-processing techniques, and incorporation of hydrological and remote sensing data.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».