دانلود مقاله انگلیسی رایگان:تجزیه و تحلیل مقایسه ای عملکرد پیش بینی کیفیت آب سطحی و شناسایی پارامترهای کلیدی آب با استفاده از مدل های مختلف یادگیری ماشین بر اساس داده های بزرگ - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data
    Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data


    ترجمه فارسی عنوان مقاله:

    تجزیه و تحلیل مقایسه ای عملکرد پیش بینی کیفیت آب سطحی و شناسایی پارامترهای کلیدی آب با استفاده از مدل های مختلف یادگیری ماشین بر اساس داده های بزرگ


    منبع:

    Sciencedirect - Elsevier - Water Research, 171 (2020) 115454: doi:10:1016/j:watres:2019:115454


    نویسنده:

    Kangyang Chen a, 1, Hexia Chen b, 1, Chuanlong Zhou b, Yichao Huang b, Xiangyang Qi a, Ruqin Shen b, c, Fengrui Liu d, Min Zuo e, Xinyi Zou a, Jinfeng Wang c, Yan Zhang c, Da Chen b, Xingguo Chen a, f, **, Yongfeng Deng b, c, *, Hongqiang Ren


    چکیده انگلیسی:

    The water quality prediction performance of machine learning models may be not only dependent on the models, but also dependent on the parameters in data set chosen for training the learning models. Moreover, the key water parameters should also be identified by the learning models, in order to further reduce prediction costs and improve prediction efficiency. Here we endeavored for the first time to compare the water quality prediction performance of 10 learning models (7 traditional and 3 ensemble models) using big data (33,612 observations) from the major rivers and lakes in China from 2012 to 2018, based on the precision, recall, F1-score, weighted F1-score, and explore the potential key water parameters for future model prediction. Our results showed that the bigger data could improve the performance of learning models in prediction of water quality. Compared to other 7 models, decision tree (DT), random forest (RF) and deep cascade forest (DCF) trained by data sets of pH, DO, CODMn, and NH3 eN had significantly better performance in prediction of all 6 Levels of water quality recommended by Chinese government. Moreover, two key water parameter sets (DO, CODMn, and NH3eN; CODMn, and NH3eN) were identified and validated by DT, RF and DCF to be high specificities for perdition water quality. Therefore, DT, RF and DCF with selected key water parameters could be prioritized for future water quality monitoring and providing timely water quality warning.
    Keywords: Water quality prediction | Machine learning models | Ensemble methods | Deep cascade forest | The key water parameters


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 2239 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi