Penambahbaikan Kaedah Peramalan Purata Setempat bagi Peramalan Data Siri Masa Aras Sungai di Kawasan Banjir
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Aras air yang agak tinggi, tidak menentu dan melebihi tebing sungai adalah penyebab kepada bencana banjir. Ini memberi kesan kepada berlakunya banjir di kawasan pinggir sungai akibat daripada paras air yang tidak menentu. Kajian ini menggunakan data siri masa di Sungai Dungun, Terengganu bermula daripada April 2009 hingga Mei 2010 melibatkan bacaan paras air yang melebihi paras bahaya. Tujuan kajian ini adalah untuk mengesan kehadiran telatah kalut dan dan seterusnya membuat peramalan aras air sungai di Sungai Dungun. Pengesanan kehadiran telatah kalut adalah dengan menggunakan kaedah plot ruang fasa dan kaedah Cao. Manakala, peramalan aras air dilakukan menggunakan kaedah penambahbaikan kaedah peramalan purata setempat (penambahbaikan KPPS). Hasil kajian menunjukkan telatah kalut hadir dengan menggunakan kaedah plot ruang fasa dan kaedah Cao. Hasil peramalan menunjukkan bahawa kaedah penambahbaikan ini dapat memberikan hasil peramalan yang cemerlang dengan nilai pekali korelasi melebihi 0.999000. Perbandingan hasil peramalan turut dilaksanakan dengan menggunakan kaedah peramalan purata setempat (KPPS) pada data yang sama. Hasil perbandingan ketepatan peramalan menunjukkan bahawa kaedah penambahbaikan KPPS adalah lebih tepat berbanding peramalan menggunakan kaedah KPPS dengan peningkatan ketepatan hasil peramalan sebanyak 1.77%. Oleh itu, kaedah penambahbaikan KPPS ini adalah sesuai dan dicadangkan untuk digunakan dalam meramal data siri masa aras air sungai di kawasan banjir dan seterusnya memberi manfaat kepada pihak berkuasa tempatan yang bertanggungjawab bagi memberikan amaran awal bencana banjir di kawasan terlibat.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it