Comparative Machine Learning Framework for Rainfall Forecasting and Agricultural Loss Estimation
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
Because of the growing unpredictability of the weather, which can affect food security and productivity, the consequences of climate change are no longer speculative; every farmer in South Asia is starting to suffer the ramifications in their fields. In the two most susceptible districts of Bangladesh, Rajshahi and Ishwardi, the comparative machine learning method presented in this study aims to predict rainfall and identify regions at risk of agricultural impacts due to climate change. We examine the performance of four models: the Prophet model, ARIMA, Random Forest, and XGBoost, using 48 years of historical rainfall data (1976–2024). With an R-squared value of 0.89, Random Forest displayed the best accuracy, exceeding both standard time series and boosting-based approaches while efficiently capturing non-seasonal trends. On the other hand, XGBoost performed poorly, possibly due to the difficulty in fitting noisy, small-scale meteorological data. To classify years as droughts or floods, we apply a conventional anomaly detection technique that utilizes z-scores (1.5 standard deviations) in conjunction with predictive modeling. It is feasible to identify problematic years and regions by using these characteristics, which are linked to historical periods of agricultural displacement. The findings are more accessible and helpful when simplified visual maps of climate-induced risk validate the relationship between the projected anomalies and previous crop failures. The suggested method would provide a scientifically informed tool for climate resilience planning, agricultural planning, and early warning systems. The objective of preserving vulnerable livelihoods during a climate transition is achieved by integrating the three aspects of this architecture, namely translating the long-term records of the meteorological system into risk information that agronomists, policymakers, and humanitarian actors can utilize.
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 | 0,000 |
| 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