Beyond conventional modeling: A cutting-edge hybrid IAER-AMT decision-tree-based algorithm for high-resolution river turbidity prediction
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
Water Turbidity (TU) is a widely used indicator of water quality. Given the time-consuming nature of direct TU measurement, developing an accurate predictive model is imperative. In this study, the alternating model tree (AMT) and its ensemble version through iterative absolute error regression (IAER), bootstrap aggregating (BA), weighted instance handler wrapper (WIHW), and random subspace (RS) were used to predict TU at Clackamas River, USA. Daily time-series data of the physicochemical water quality variables from 2006 to 2023, including water temperature (Tw), specific conductance (SC), dissolved oxygen (DO), pH, as well as physical river parameters, including daily water discharge (Q) and water stage (WS), were used as potential input variables to predict TU. The manual approach, principal component analysis (PCA), and correlation-based feature selection subset evaluation (CfsSubsetEval) techniques were compared under different input scenarios. Finally, the performance of the models was evaluated using various statistical metrics, including the coefficient of determination (R 2 ), root mean squared error (RMSE), percentage of bias (PBIAS), Nash-Sutcliffe efficiency (NSE), and root mean standard deviation ratio (RSR). WS had the highest impact on TU prediction, whereas Tw was less correlated. In addition, the input scenario that included all variables led to the highest model performance. Based on the testing dataset, the novel IAER-AMT hybrid algorithm outperformed others, achieving an RMSE of 1.20 Formazin Nephelometric Units (FNU), an NSE of 0.72, a PBIAS of 3.17 %, and an RSR of 0.53 followed by BA-AMT (RMSE = 1.30 FNU, NSE = 0.67, PBIAS = −9.73%, and RSR = 0.57), WIHW-AMT (RMSE = 1.34 FNU, NSE = 0.65, PBIAS = −0.35%, RSR = 0.58), RS-AMT (RMSE = 1.37 FNU, NSE = 0.64, PBIAS = −20.95%, and RSR = 0.60), and AMT (RMSE = 1.38 FNU, NSE = 0.63, PBIAS = −26.81%, and RSR = 0.60).
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 | 0,001 | 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 découle