Makine Öğrenmesi Teknikleriyle Göl Seviyesi Tahmini: Büyük Göller Örneği
Bibliographic record
Abstract
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.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".