Lake Surface Area Forecasting Using Integrated Satellite-SARIMA-Long-Short-Term Memory Model
Notice bibliographique
Résumé
Abstract Lake Water Surface Area (WSA) plays a vital role in environmental preservation and future water resource planning and management. Accurately mapping, monitoring and forecasting Lake WSA changes are of great importance to regulatory agencies. This study used the MODIS satellite images to extract a monthly time series of WSA of two lakes located in Iran from 2001 to 2019. Following a consequence of image and time series preprocessing to obtain the preprocessed lake surface area time series, the outcomes were modeled by the Long-Short-Term Memory (LSTM) deep learning (DL) method, the stochastic Seasonal Auto-Regressive Integrated Moving Average (SARIMA) method and hybridization of these two techniques with the objective of developing WSA forecasts. After separate standardization and normalization of A L TS and reevaluation of the preprocessed data, the SARIMA (1, 0, 0) (0, 1, 1) 12 model outperformed sole LSTM models with correlation index of (R) 0.819, mean absolute error (MAE) of 49.425 and mean absolute percentage error (MAPE) of 0.106. On the other hand, the hybridization (stochastic-DL) enhanced the reproduction of the primal statistical properties of WSA data and caused better mediation. However, the other accuracy indices did not change markedly (R 0.819, MAE 49.310, MAPE 0.105). The multi-step preprocessing and reevaluation also caused all LSTM models to produce their best results by less than 12 inputs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».