Modeling freshwater yield: deep learning applications in seawater greenhouses in Iran
Notice bibliographique
Résumé
The seawater greenhouse (SWGH) is an environmentally friendly solution that utilizes solar-driven desalination techniques to produce freshwater while simultaneously creating a controlled agricultural environment. Integrating SWGH with green buildings optimizes sustainability by reducing dependence on conventional water supplies and lowering carbon emissions. This study develops a deep learning-based predictive model to optimize freshwater production in SWGHs, particularly in the Makran region. The Makran coast faces severe freshwater shortages due to its arid climate, limited groundwater resources, and growing agricultural demand. SWGH technology is particularly suitable for this region, leveraging abundant solar radiation and seawater to sustainably generate freshwater while enhancing agricultural productivity and environmental resilience. This study aims to develop a deep learning-based predictive model to forecast freshwater production in SWGHs for integration into green building frameworks. The model forecasts freshwater yield by analyzing environmental, especially climate and operational parameters. A two-stage deep learning-based prediction approach was employed, utilizing CNN-LSTM, BiLSTM, BiGRU, CNN-GRU, and MLP models. First, global horizontal irradiance (GHI) was predicted as a primary factor influencing SWGH performance. Then, freshwater production was estimated using predicted solar radiation. Among tested models, CNN-LSTM achieved the highest accuracy with achieving a R 2 of 0.9727, a RMSE of 0.0021, and a MSE of 0.0022. The freshwater production rate was predicted per unit area, and the average annual yield for 2024–2033 was estimated at 1454.25 L/m². The results confirm SWGH as a viable solution for sustainable water management in arid coastal regions.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».