Modelos de Predicción de Evapotranspiración de Referencia Híbridos Basados en Optimización de Parámetros: Una Revisión Sistemática de Implementaciones Actuales y Direcciones de Investigación Futura
Autores: Khairan, Hadeel E.; Zubaidi, Salah L.; Muhsen, Yousif Raad; Al-Ansari, Nadhir
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelos de Predicción de Evapotranspiración de Referencia Híbridos Basados en Optimización de Parámetros: Una Revisión Sistemática de Implementaciones Actuales y Direcciones de Investigación Futura
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Aprendizaje automático
Algoritmos metaheurísticos
Evapotranspiración de referencia
Modelos híbridos
Inteligencia de enjambre
Computación evolutiva
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Un modelo híbrido de aprendizaje automático (ML) se está convirtiendo en una tendencia común en la investigación sobre la predicción de la evapotranspiración de referencia (ETo). Este estudio tiene como objetivo revisar sistemáticamente los modelos de ML que están integrados con algoritmos metaheurísticos (es decir, modelos híbridos basados en optimización de parámetros, OBH) para predecir datos de ETo. Durante cinco años, de 2018 a 2022, se consideraron los artículos publicados en tres bases de datos confiables, incluyendo Web of Science, ScienceDirect e IEEE Xplore. Según el protocolo de búsqueda, se seleccionaron 1485 artículos. Después de aplicar tres filtros, el conjunto final contenía 33 artículos relacionados con el tema nominado. El conjunto final de artículos se categorizó en cinco grupos. El primer grupo, algoritmos basados en inteligencia de enjambre, tuvo la mayor proporción de artículos (23/33) y fue superior a todos los demás algoritmos. El segundo grupo (algoritmos basados en computación evolutiva), el tercer grupo (algoritmos basados en física), el cuarto grupo (algoritmos híbridos) y el quinto grupo (reseñas y encuestas) tuvieron (4/33), (1/33), (2/33) y (3/33), respectivamente. Sin embargo, los investigadores no han tratado los modelos OBH en mucho detalle, y aún hay margen para mejorar investigando tanto nuevos algoritmos metaheurísticos individuales como híbridos. Finalmente, este estudio espera ayudar a los investigadores a comprender las opciones y brechas en esta línea de investigación.
Descripción
Un modelo híbrido de aprendizaje automático (ML) se está convirtiendo en una tendencia común en la investigación sobre la predicción de la evapotranspiración de referencia (ETo). Este estudio tiene como objetivo revisar sistemáticamente los modelos de ML que están integrados con algoritmos metaheurísticos (es decir, modelos híbridos basados en optimización de parámetros, OBH) para predecir datos de ETo. Durante cinco años, de 2018 a 2022, se consideraron los artículos publicados en tres bases de datos confiables, incluyendo Web of Science, ScienceDirect e IEEE Xplore. Según el protocolo de búsqueda, se seleccionaron 1485 artículos. Después de aplicar tres filtros, el conjunto final contenía 33 artículos relacionados con el tema nominado. El conjunto final de artículos se categorizó en cinco grupos. El primer grupo, algoritmos basados en inteligencia de enjambre, tuvo la mayor proporción de artículos (23/33) y fue superior a todos los demás algoritmos. El segundo grupo (algoritmos basados en computación evolutiva), el tercer grupo (algoritmos basados en física), el cuarto grupo (algoritmos híbridos) y el quinto grupo (reseñas y encuestas) tuvieron (4/33), (1/33), (2/33) y (3/33), respectivamente. Sin embargo, los investigadores no han tratado los modelos OBH en mucho detalle, y aún hay margen para mejorar investigando tanto nuevos algoritmos metaheurísticos individuales como híbridos. Finalmente, este estudio espera ayudar a los investigadores a comprender las opciones y brechas en esta línea de investigación.