Non‐Linear Output Structure Learning: A Novel Multi‐Target Technique for Multi‐Station and Multi‐Index Drought Modelling
Notice bibliographique
Résumé
ABSTRACT Exiting artificial intelligence‐based drought models estimate a single drought index in a single station. This study advances drought modelling by proposing Non‐linear Output Structure Learning (NOSL) for simultaneously estimating two drought indices at eight stations. A multi‐target drought model provides insights for a better understanding of the meteorological and hydrological impacts of drought. Hydro‐meteorological data, including precipitation, evaporation, and streamflow, are used for a joint estimation of Streamflow Drought Index (SDI) and Standardized Precipitation Evapotranspiration Index (SPEI). The efficacy of the NOSL algorithm is examined against single‐target Kernel Ridge Regression (KRR) and Fast Multi‐output Relevance Vector Regression (FMRVR) models. The data during October 1981 to September 2015 at a monthly scale (408 Months) from eight different stations in Buyuk Menderes Basin (BMB) located (BMB) in Western Türkiye are used in this study. The effects of 1‐, 3‐, and 6‐month Moving Average (MA) are also considered for drought estimation. Results show that NOSL can effectively estimate the SPEI and SDI indices and outperforms KRR and FMRVR benchmarks. The effectiveness of the NOSL technique can be linked to a structural modelling mechanism based on vector‐valued functions, where the dependencies among output variables are captured utilising a non‐linear function for enhanced performance. The developed multi‐target drought model based on the NOSL technique not only helps in incorporating multiple variables in the model for a better estimation, but it enhances our understanding of various aspects of droughts and building adaptive strategies and resilience map counter to drought hazard.
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 | 0,002 | 0,003 |
| 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) | 0,001 | 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 ».