Precision water quality indices forecasting through an optimized hybrid SMW-LSSVM-R model enhanced by SATLDE and uncertainty analysis
Notice bibliographique
Résumé
Precise forecasting of water quality indices (WQI) is essential for safeguarding ecosystems, human health, and sustainable water resource management. This study presents an innovative approach for evaluating river Water Quality Indices using advanced machine learning methods. The approach combines the least squares support vector machine (LSSVM) with the Sherman–Morrison–Woodbury (SMW) formula and local weighting techniques to improve the model's capacity to identify local trends and nonlinearities. The hybrid model, SMW-LSSVM-R, integrates the advantages of SMW-LSSVM with ridge regression to provide a balanced and resilient predictive framework. The model parameters are improved by a self-adaptive teaching-learning-based differential evolution (SATLDE) method, attaining optimal performance. Additionally, SATLDE is combined with a ridge feature selection model to identify the key input factors and boost accuracy. The model also employs optimized multivariate variational mode decomposition (OMVMD) using SATLDE algorithm to more effectively assess complex data patterns. When the models were tested at two Iranian stations, Farisat and Molasani, the SMW-LSSVM-R model with a testing R value of 0.975 and an RMSE of 0.990, exhibited better performance than the basic and OMVMD-enhanced models. These findings demonstrate the potential of the proposed hybrid model to offer valuable insights into environmental monitoring and management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 ».