Makine Öğrenmesi Teknikleriyle Göl Seviyesi Tahmini: Büyük Göller Örneği
Notice bibliographique
Résumé
Yeryüzündeki bütün canlılar için su vazgeçilmez bir kaynaktır. Bundan dolayı mevcut su kaynaklarının dikkatli kullanılması ve su seviyelerinin takip edilmesi önemlidir. Dünya üzerinde bulunan çok sayıda su kaynağının su seviyesinde iniş ve çıkışlar yaşanmaktadır. ABD’de bulunan beş büyük göl Dünya üzerindeki tatlı suyun %20’sini barındırır. Bu çalışmada, ABD’deki beş büyük gölün su seviyelerinin incelenmesi ve önceden tahmin edilebilmesi için üç farklı YSA modeli kullanılarak aylık bazda su seviyelerinin tahmini yapılmıştır. Bu amaç doğrultusunda Superior Gölü, Michigan-Huron Gölü, Erie Gölü ve Ontario Gölü’nün 1923-2022 yılları arasındaki aylık göl su seviyeleri incelenmiştir. Kullanılan YSA modelleri Çok Katmanlı YSA (ÇKYSA), Radyal Tabanlı YSA (RTYSA) ve Genelleştirilmiş Regresyon YSA (GRYSA)’dır. Veri örneği, ortalama göl su seviyesinin 100 yıllık (1923-2022) kaydından oluşmaktadır. Tüm verilerin %75’i eğitim aşaması için, %25’i ise test aşaması için kullanılmıştır. Değerlendirme kriteri olarak ortalama mutlak hata (OMH), karekök ortalama karesel hata (KOKH) ve determinasyon katsayısı (R2) kullanılmıştır. Sonuçlar incelendiğinde limitler dahilinde bütün modellerin eğitim ve test aşamalarında çok iyi tahminlerde bulunduğu görülmektedir. Ancak test sonuçlarına göre en başarılı sonucu veren model algoritmaları sırasıyla ÇKYSA, RTYSA, GRYSA’dır.
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) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,356 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».