.png){kind=icon}
返回
Optimised stacking generalisation methodology for groundwater level prediction
.png){kind=icon}
PRE
AI
DOI：10.1088/2515-7620/ae49f4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全球气候变化已使地下水管理实践发生范式转变。为保障可持续的地下水供应，需要预测地下水可用性，因其出流和补给现象存在间歇性波动。本研究提出了一种优化的堆叠泛化方法用于地下水水位预测。所提方法以粒子群优化-人工神经网络（PSO-ANN）、遗传算法-人工神经网络（GA-ANN）和自适应微分进化极限学习机（SaDE-ELM）作为基学习器。对比分析显示SaDE-ELM的预测能力优于其他基学习器。因此，当使用SaDE-ELM作为元学习器时构建了堆叠模型。统计分析表明，所提堆叠方法优于独立的混合PSO-ANN、GA-ANN和SaDE-ELM，其平均RMSE和R值分别为0.2209 m和0.78。通过泰勒图进一步展示了所有模型的统计比较，揭示了堆叠方法的优越性。
Keyword:
stacking
optimization
groundwater level prediction
self-adaptive differential evolutionary extreme learning machine
