Assessment of pan coefficient performance: A comparative study of empirical and model-driven approaches using a hill-climbing-based alternating model tree and MOORA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Maritime Provinces of Canada play a significant role in the country's agricultural productivity, yet they face numerous changes due to climate change. Therefore, a reliable estimation of reference evapotranspiration (ET o ) requires accurate determination of the pan coefficient (K pan ). However, this is quite challenging due to variations in climate change and the deep non-linearity of meteorological data. Intensive experiments for pan evaporation (E pan ) were conducted to develop a model, which includes hill-climbing based BestFirst-ClassifierSubsetEval (BF), alternating model tree (AMT), and multi-objective optimization by ratio analysis (MOORA). The model was assessed by comparing its performance using Bidirectional long-short-term memory (Bi-LSTM), recurrent neural network (RNN), random forest (RF), elastic regression net (Elastic net), and Instance-based learner K-Nearest Neighbor (IBK). The model was further evaluated using five empirical equations of FAO-56. The input data included seven daily meteorological variables, including maximum, minimum, mean, relative humidity, Wind, and Slope, extracted from 2018 to 2023 datasets to compute ET o and K pan locally measured E pan . Statistical indicators, including correlation coefficient (R), root mean square error (RMSE), Kling–Gupta efficiency (KGE), and Vulnerability, evaluated the model output. SHAP (Shapley Additive exPlanations) and Individual Conditional Expectation (ICE) were used to interpret the models' flexibility and visualize complex geographical phenomena and processes in an RF model. Overall, the outcomes revealed that the primary model (BF-AMT) outperformed all the data-driven and empirical models in terms of optimal metrics (RMSE=0.0143, Vulnerability=6.3260, and MOORA=0), followed by BF-Elastic net (RMSE=0.7891, Vulnerability=28.1081, and MOORA=0.073) and BF-Bi-LSTM (RMSE=0.0169, Vulnerability=64.8649, and MOORA=0.128), respectively. Finally, the SHAP results showed that wind and relative humidity were the most influential factors affecting the pan coefficient values. • An experimental study on Maritime Canada area for accurately estimating evapotranspiration. • Advanced ATM ensemble model with BestFirst, and MOORA to estimate more precise pan coefficients. • Comparing main scheme with BF-bi-LSTM, BF-RNN, BF-RF, BF-IBK, and BF-Elastic net. • Provided a pathway to improve water use efficiency and enhance irrigation practices.
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.
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 | 0,001 |
| 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 découle