Selectieve transfer learning helpt bij voorspellen grondwaterafwijkingen
Een nieuwe methode verbetert de nauwkeurigheid bij het voorspellen van grondwaterstanden in Nederland via selectieve transfer learning. De aanpak houdt rekening met risico's en verschillen tussen diverse meetputten.
Bij het voorspellen van grondwaterstanden wordt geregeld gebruikgemaakt van voorgetrainde modellen uit andere domeinen. Dit kan de gemiddelde nauwkeurigheid verhogen, maar werkt niet betrouwbaar voor alle heterogene meetputten en kan de prestaties op sommige locaties juist verslechteren. Om dit risico te beheersen is een selectieve leerstrategie onderzocht.
De benadering maakt gebruik van geoptimaliseerde contextgebaseerde combinaties van modellen om de betrouwbaarheid per put te waarborgen. Binnen de geautomatiseerde data-analyse en hydrologie is het balanceren van algemene voorspellingskracht en lokale nauwkeurigheid een bekend vraagstuk. Dit soort technieken helpt om machine learning nauwkeuriger toe te passen op complexe natuurlijke systemen.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel