| Szerző dc.contributor.author | Zhang Guodao | |
| Szerző dc.contributor.author | Bateni Sayed M. | |
| Szerző dc.contributor.author | Jun Changhyun | |
| Szerző dc.contributor.author | Khoshkam Helaleh | |
| Szerző dc.contributor.author | Band Shahab S. | |
| Szerző dc.contributor.author | Mosavi Amir | |
| Elérhetőség dátuma dc.date.accessioned | 2023-02-15T14:00:07Z | |
| Rendelkezésre állás dátuma dc.date.available | 2023-02-15T14:00:07Z | |
| Kiadás dc.date.issued | 2022 | |
| Issn dc.identifier.issn | 2296-665X | |
| Uri dc.identifier.uri | http://hdl.handle.net/20.500.12944/19932 | |
| Kivonat dc.description.abstract | Results: As a result, the GSVMA hybrid method performs better than other methods. This proposed method has the highest accuracy of 89.45% through a 10-fold crossvalidation technique with 31 selected features on the Z-Alizadeh Sani dataset. | |
| Nyelv dc.language | en | |
| Kulcsszó dc.subject | dew point temperature | |
| Kulcsszó dc.subject | random forest | |
| Kulcsszó dc.subject | multivariate adaptive regression splines | |
| Kulcsszó dc.subject | machine learning | |
| Kulcsszó dc.subject | bigdata | |
| Kulcsszó dc.subject | artificial intelligence | |
| Cím dc.title | Feasibility of Random Forest and Multivariate Adaptive Regression Splines for Predicting Long-Term Mean Monthly Dew Point Temperature | |
| Típus dc.type | folyóiratcikk | |
| Változtatás dátuma dc.date.updated | 2023-02-14T13:01:51Z | |
| Változat dc.description.version | kiadói | |
| Hozzáférés dc.rights.accessRights | nyílt hozzáférésű | |
|
dc.description.notes | „A publikáció a Nemzeti Közszolgálati Egyetem 2020. évi Tématerületi Kiválóság Program keretében, a Fenntartható biztonság és társadalmi környezet elnevezésű projekt támogatásával valósult meg, az Innovációs és Technológiai Minisztérium Nemzeti Kutatási, Fejlesztési és Innovációs Alapból nyújtott támogatásával, a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által kibocsátott támogatói okirat alapján.” Pályázat sorszáma: NKFIH-1273-6/2020 Támogató: NKFIH | |
| Doi azonosító dc.identifier.doi | 10.3389/fenvs.2022.826165 | |
| Tudományág dc.subject.discipline | Természettudományok | |
| Tudományterület dc.subject.sciencebranch | Környezettudományok | |
| Mtmt azonosító dc.identifier.mtmt | 32770489 | |
| Folyóirat dc.identifier.journalTitle | Frontiers In Environmental Science | |
| Évfolyam dc.identifier.journalVolume | 10 | |
| Terjedelem dc.format.page | 12.jan | |
| Wos azonosító dc.identifier.wos | 000821583500001 | |
| Scopus azonosító dc.identifier.scopus | 85128474012 | |
| Folyóiratcím rövidítve dc.identifier.journalAbbreviatedTitle | FRONT ENV SCI-SWITZ | |
| Kiadás éve dc.description.issuedate | 2022 | |
| Szerző intézménye dc.contributor.department | Óbudai Egyetem | |
| Szerző intézménye dc.contributor.department | Szoftvertervezés- és Fejlesztés Intézet | |
| Szerző intézménye dc.contributor.department | Információs Társadalom Kutatóintézet | |
| Szerző intézménye dc.contributor.department | Informatikai Tudományok Doktori Iskola | |
| Szerző intézménye dc.contributor.department | Óbudai Egyetem | |
| Szerző intézménye dc.contributor.department | Biztonságtudományi Doktori Iskola | |
| Szerző intézménye dc.contributor.department | Felsőbbfokú Tanulmányok Intézete |
Közszolgálati Tudásportál
