A systematic review of neural network applications for groundwater level 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
Abstract Physical models have long been employed for groundwater level (GWL) prediction. Recently, artificial intelligence (AI), particularly neural networks (NNs), has gained widespread use in forecasting GWL. Forecasting of GWL is essential to enable the analysis, quantifying, and management of groundwater. This systematic review investigates the application of NNs for GWL prediction, focusing on the architectures of the various NN models employed. The study utilizes the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) methodology to screen and synthesize relevant scientific articles. Various NN architectures, such as artificial neural networks (ANNs), feedforward neural networks (FFNNs), backpropagation neural networks (BPNNs), long short-term memory (LSTM), and hybrid models, were analyzed. The results from the systematic review indicate a growing preference for hybrid models, which effectively capture hidden relationships between GWL and environmental factors. The root mean square error (RMSE) emerges as the predominant performance metric, highlighting its significance in evaluating NNs. Results from the review also highlight the significance of comprehensive, long-term datasets covering a decade for robust trend analyses and accurate predictions. The findings contribute to a deeper understanding of new trends in groundwater research such as the application of neural networks for prediction problems in groundwater research. In conclusion, a hybrid metaheuristic algorithm produced more efficient results emphasizing their efficacy. In addition, lagged values were essential input for GWL prediction. The paper addressed both technical nuances and broader environmental implications.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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