Temat: FORECASTING - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Rainfall-river discharge modelling for flood forecasting using Artificial Neural Network (ANN)
Autorzy:: Obasi, Arinze A.
Ogbu, Kingsley N.
Orakwe, Chukwuemeka L.
Ahaneku, Isiguzo E.
Powiązania:: https://bibliotekanauki.pl/articles/292776.pdf
Data publikacji:: 2020
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: artificial neural network (ANN)
rainfall
flood forecasting
river discharge
Opis:: This study is aimed at evaluating the applicability of Artificial Neural Network (ANN) model technique for river discharge forecasting. Feed-forward multilayer perceptron neural network trained with back-propagation algorithm was employed for model development. Hydro-meteorological data for the Imo River watershed, that was collected from the Anambra-Imo River Basin Development Authority, Owerri – Imo State, South-East, Nigeria, was used to train, validate and test the model. Coefficients of determination results are 0.91, 0.91 and 0.93 for training, validation and testing periods respectively. River discharge forecasts were fitted against actual discharge data for one to five lead days. Model results gave R² values of 0.95, 0.95, 0.92, 0.96 and 0.94 for first, second, third, fourth, and fifth lead days of forecasts, respectively. It was generally observed that the R2 values decreased with increase in lead days for the model. Generally, this technique proved to be effective in river discharge modelling for flood forecasting for shorter lead-day times, especially in areas with limited data sets.
Źródło:: Journal of Water and Land Development; 2020, 44; 98-105
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Time series analysis of reference crop evapotranspiration for Bokaro District, Jharkhand, India
Analiza serii czasowych ewapotranspiracji potencjalnej upraw w dystrykcie Bokaro, Jharkhand, Indie
Autorzy:: Gautam, R.
Sinha, A. K.
Powiązania:: https://bibliotekanauki.pl/articles/293179.pdf
Data publikacji:: 2016
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: ARIMA model
evapotranspiration
forecasting
time series
ewapotranspiracja
model ARIMA
prognozowanie
serie czasowe
Opis:: Evapotranspiration is the one of the major role playing element in water cycle. More accurate measurement and forecasting of Evapotranspiration would enable more efficient water resources management. This study, is therefore, particularly focused on evapotranspiration modelling and forecasting, since forecasting would provide better information for optimal water resources management. There are numerous techniques of evapotranspiration forecasting that include autoregressive (AR) and moving average (MA), autoregressive moving average (ARMA), autoregressive integrated moving average (ARIMA), Thomas Feiring, etc. Out of these models ARIMA model has been found to be more suitable for analysis and forecasting of hydrological events. Therefore, in this study ARIMA models have been used for forecasting of mean monthly reference crop evapotranspiration by stochastic analysis. The data series of 102 years i.e. 1224 months of Bokaro District were used for analysis and forecasting. Different order of ARIMA model was selected on the basis of autocorrelation function (ACF) and partial autocorrelation (PACF) of data series. Maximum likelihood method was used for determining the parameters of the models. To see the statistical parameter of model, best fitted model is ARIMA (0, 1, 4) (0, 1, 1)₁₂.
Ewapotranspiracja jest jednym z głównych elementów obiegu wody. Dokładniejsze pomiary i możliwość prognozowania ewapotranspiracji mogłyby umożliwić wydajniejsze zarządzanie zasobami wodnymi. Dlatego prezentowane w niniejszej pracy badania skoncentrowane były na modelowaniu i prognozowaniu ewapotranspiracji, ponieważ prognozowanie zapewni więcej informacji do optymalnego zarządzania zasobami wodnymi. Istnieje wiele technik prognozowania ewapotranspiracji, takich jak autoregresja (AR), średnia ruchoma (MA), autoregresyjna średnia ruchoma (ARMA), autoregresyjna zintegrowana średnia ruchoma (ARIMA), metoda Thomasa– Feiringa i inne. Stwierdzono, że spośród nich ARIMA jest bardziej odpowiednia do analizy i prognozowania zdarzeń hydrologicznych. Z tego powodu wykorzystano model ARIMA do prognozowania miesięcznych średnich wartości ewapotranspiracji potencjalnej poprzez analizę stochastyczną. Do analiz i prognozowania użyto serii danych ze 102 lat (1224 miesiące) z dystryktu Bokaro. Na podstawie funkcji autokorelacji (ACF) i cząstkowych autokorelacji (PACF) serii danych wybrano różny porządek modelu ARIMA. Do wyznaczenia parametrów modelu wykorzystano metodę maksymalnego prawdopodobieństwa. Najlepiej dostosowanymi parametrami statystycznymi modelu okazały się ARIMA (0, 1, 4) (0, 1, 1)₁₂.
Źródło:: Journal of Water and Land Development; 2016, 30; 51-56
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Stochastic ARIMA model for annual rainfall and maximum temperature forecasting over Tordzie watershed in Ghana
Stochastyczny model ARIMA do prognozowania rocznego opadu i maksymalnej temperatury w zlewni Tordzie w Ghanie
Autorzy:: Nyatuame, M.
Agodzo, S. K.
Powiązania:: https://bibliotekanauki.pl/articles/292306.pdf
Data publikacji:: 2018
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: ARIMA
forecasting
rainfall model
temperature
Tordzie watershed
modele opadu
prognozowanie
temperatura
zlewnia Tordzie
Opis:: The forecast of rainfall and temperature is a difficult task due to their variability in time and space and also the inability to access all the parameters influencing rainfall of a region or locality. Their forecast is of relevance to agriculture and watershed management, which significantly contribute to the economy. Rainfall prediction requires mathematical modelling and simulation because of its extremely irregular and complex nature. Autoregressive integrated moving average (ARIMA) model was used to analyse annual rainfall and maximum temperature over Tordzie watershed and the forecast. Autocorrelation function (ACF) and partial autocorrelation function (PACF) were used to identify the models by aid of visual inspection. Stationarity tests were conducted using the augmented Dickey–Fuller (ADF), Mann–Kendall (MK) and Kwiatkowski–Phillips–Schmidt–Shin (KPSS) tests respectively. The chosen models were evaluated and validated using the Akaike information criterion corrected (AICC) and also Schwartz Bayesian criteria (SBC). The diagnostic analysis of the models comprised of the independence, normality, homoscedascity, P–P and Q–Q plots of the residuals respectively. The best ARIMA model for rainfall for Kpetoe and Tordzinu were (3, 0, 3) and (3, 1, 3) with AICC values of 190.07 and 178.23. That of maximum temperature for Kpetoe and Tordzinu were (3, 1, 3) and (3, 1, 3) and the corresponding AICC values of 23.81 and 36.10. The models efficiency was checked using sum of square error (SSE), mean square error (MSE), mean absolute percent error (MAPE) and root mean square error (RMSE) respectively. The results of the various analysis indicated that the models were adequate and can aid future water planning projections.
Prognozowanie opadu i temperatury jest trudnym zadaniem z powodu zmienności tych parametrów w czasie i przestrzeni, a także nieznajomości wszystkich czynników wpływających na opady w regionie czy w danej miejscowości. Prognozowanie opadów jest ważne dla rolnictwa i gospodarki zlewniowej, mających znaczący wkład w gospodarkę regionu. Przewidywanie opadu wymaga modelowania matematycznego i symulacji z powodu jego skrajnie nieregularnego i złożonego charakteru. Do analizy i prognozowania rocznych opadów i maksymalnej temperatury w zlewni Tordzie wykorzystano autoregresyjny zintegrowany model średniej ruchomej (ARIMA). Do zidentyfikowania modeli metodą oglądu wizualnego użyto funkcji autokorelacji (ACF) i cząstkowej autokorelacji (PACF). Testy stacjonarności przeprowadzono za pomocą testów Dickeya–Fullera (ADF), Manna–Kendalla (MK) i Kwiatkowskiego–Phillipsa–Schmidta–Shina (KPSS). Wybrane modele poddano ocenie i walidacji z użyciem skorygowanego kryterium Akaike (AICC) i Bayesowskiego kryterium Schwartza (SBC). Diagnostyczna analiza modeli obejmowała niezależność, normalność, homoscedastyczność, wykresy P–P i Q–Q dla reszt. Najlepsze modele ARIMA dla opadu w Kpetoe i Tordzinu miały postać (3, 0, 3) i (3, 1, 3), gdy wartości AICC równe odpowiednio 190,07 i 178,23. Modele dla maksymalnej temperatury w Kpetoe i Tordzinu miały postać (3, 1, 3) i (3, 1, 3), a ich odpowiednie wartości AICC wynosiły 23,81 i 36,10. Wydajność modelu sprawdzano, wykorzystując sumę błędu kwadratowego (SSE), średni błąd kwadratowy (MSE), średni bezwzględny błąd procentowy (MAPE) i pierwiastek ze średniego błędu kwadratowego (RMSE). Wyniki różnych analiz wykazały, że modele są odpowiednie i mogą stanowić pomoc w przyszłej gospodarce wodnej.
Źródło:: Journal of Water and Land Development; 2018, 37; 127-140
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Enhancing the performance of deep learning technique by combining with gradient boosting in rainfall-runoff simulation
Autorzy:: Abdullaeva, Barno S.
Powiązania:: https://bibliotekanauki.pl/articles/28411647.pdf
Data publikacji:: 2023
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: deep learning
gradient boosting
hybrid model
multi-step ahead forecasting
rainfall-runoff simulation
Opis:: Artificial neural networks are widely employed as data mining methods by researchers across various fields, including rainfall-runoff (R-R) statistical modelling. To enhance the performance of these networks, deep learning (DL) neural networks have been developed to improve modelling accuracy. The present study aims to improve the effectiveness of DL networks in enhancing the performance of artificial neural networks via merging with the gradient boosting (GB) technique for daily runoff data forecasting in the river Amu Darya, Uzbekistan. The obtained results showed that the new hybrid proposed model performed exceptionally well, achieving a 16.67% improvement in determination coefficient (R2) and a 23.18% reduction in root mean square error (RMSE) during the training phase compared to the single DL model. Moreover, during the verification phase, the hybrid model displayed remarkable performance, demonstrating a 66.67% increase in R2 and a 50% reduction in RMSE. Furthermore, the hybrid model outperformed the single GB model by a significant margin. During the training phase, the new model showed an 18.18% increase in R2 and a 25% reduction in RMSE. In the verification phase, it improved by an impressive 75% in R2 and a 33.33% reduction in RMSE compared to the single GB model. These findings highlight the potential of the hybrid DL-GB model in improving daily runoff data forecasting in the challenging hydrological context of the Amu Darya River basin in Uzbekistan.
Źródło:: Journal of Water and Land Development; 2023, 59; 216--223
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: Application of the Triple Diagram Method in forecasting lake water level, on the example of Lake Charzykowskie
Autorzy:: Piasecki, Adam
Witkowski, Wojciech T.
Powiązania:: https://bibliotekanauki.pl/articles/2048503.pdf
Data publikacji:: 2021
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: geostatistics
kriging
lake
Lake Charzykowskie
Triple Diagram Method (TDM)
water level forecasting
water resources
Opis:: The work focused on forecasting changes in lake water level. The study employed the Triple Diagram Method (TDM) using geostatistical tools. TDM estimates the value by information from an earlier two periods of observation, refers as lags. The best results were obtained for data with an average a 1-week lag. At the significance level of 1σ, a the forecast error of ±2 cm was obtained. Using separate data for warm and cold months did not improve the efficiency of TDM. At the same time, analysis of observations from warm and cold months explained trends visible in the distribution of year-round data. The methodology, built on case study and proposed evaluation criteria, may function as a universal solution. The proposed methodology can be used to effectively manage water-level fluctuations both in postglacial lakes and in any case of water-level fluctuation.
Źródło:: Journal of Water and Land Development; 2021, 51; 11-16
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 6.

Tytuł:: Modelling of rainfall intensity in a watershed: A case study in Amprong watershed, Kedungkandang, Malang, East Java of Indonesia
Modelowanie intensywności opadów w zlewni – przykład zlewni Amprong w Kedungkandang, Malang, Wschodnia Jawa, Indonezja
Autorzy:: Limantara, L. M.
Harisuseno, D. H.
Devi, V. A. K.
Powiązania:: https://bibliotekanauki.pl/articles/293169.pdf
Data publikacji:: 2018
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: duration
forecasting
probability
flood probability
rainfall intensity
czas trwania opadu
intensywność opadu
modelowanie
prawdopodobieństwo powodzi
prognozowanie
Opis:: Analysis of rainfall intensity with specific probability is very important to control the negative impact of rainfall occurrence. Rainfall intensity (I), probability (p) and return period (T) are very important variables for the discharge analysis. There are several methods to estimate rainfall intensity, such as Talbot, Sherman, and Ishiguro. The aim of this research is to develop equation model which can predict rainfall intensity with specific duration and probability. The equation model is compared with the other methods. The result of rainfall intensity model with the value of correlation >0.94 and Nash–Sutcliffe coefficient >99 is quite good enough if compared with the observation result. For specific return period, the modelling result is less accurate which is most likely caused by election of duration. Advanced research in other location indicates that short duration gives the better result for rainfall intensity modelling, which is shown by the decreasing average value of mean absolute error (MAE) from 12.963 to 8.26.
Analiza intensywności opadów o określonym prawdopodobieństwie jest bardzo ważna, aby móc kontrolować negatywny wpływ opadów. Intensywność opadu (I), jego prawdopodobieństwo (p) i okres powtarzalności (t) są istotnymi zmiennymi w analizie odpływu. Istnieje kilka metod (Talbota, Shermana i Ishiguro) wykorzystywanych do oceny intensywności opadu. Celem badań było zbudowanie modelu, który może przewidywać intensywność opadu o określonym czasie trwania i prawdopodobieństwie. Wyniki uzyskane za pomocą modelowania porównano z uzyskanymi innymi metodami. Wyniki modelu intensywności opadów z wartością korelacji >0,94 i współczynnikiem Nasha–Sutcliffe’a > 0,99 są wystarczająco dobre, jeśli porówna się je z danymi pochodzącymi z obserwacji. W odniesieniu do określonego okresu powtarzalności wyniki modelowania są mniej dokładne, prawdopodobnie ze względu na wybrany czas trwania. Zaawansowane badania w innych lokalizacjach wskazują, że w przypadku wyboru krótkich czasów trwania opadu uzyskuje się lepsze wyniki modelowania intensywności opadu, czego dowodem jest malejący z 12,963 do 8,26 średni błąd bezwzględny.
Źródło:: Journal of Water and Land Development; 2018, 38; 75-84
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: Comparison of machine learning methods for runoff forecasting in mountainous watersheds with limited data
Porównanie metod uczenia maszynowego do prognozowania spływu w zlewniach górskich na podstawie ograniczonych danych
Autorzy:: Adamowski, J.
Prasher, S. O.
Powiązania:: https://bibliotekanauki.pl/articles/292443.pdf
Data publikacji:: 2012
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: Himalaje
prognozowanie spływu
regresja wektora wsparcia
sieci falkowe
uczenie maszynowe
Himalayas
machine learning
runoff forecasting
support vector regression
wavelet networks
Opis:: Runoff forecasting in mountainous regions with processed based models is often difficult and inaccurate due to the complexity of the rainfall-runoff relationships and difficulties involved in obtaining the required data. Machine learning models offer an alternative for runoff forecasting in these regions. This paper explores and compares two machine learning methods, support vector regression (SVR) and wavelet networks (WN) for daily runoff forecasting in the mountainous Sianji watershed located in the Himalayan region of India. The models were based on runoff, antecedent precipitation index, rainfall, and day of the year data collected over the three year period from July 1, 2001 and June 30, 2004. It was found that both the methods provided accurate results, with the best WN model slightly outperforming the best SVR model in accuracy. Both the WN and SVR methods should be tested in other mountainous watershed with limited data to further assess their suitability in forecasting.
Prognozowanie spływu z obszarów górskich z użyciem programowanych modeli jest często trudne i niedokładne z powodu złożonych zależności między opadem a spływem i problemów związanych z pozyskaniem niezbędnych danych. Modele uczenia maszynowego stwarzają alternatywę dla prognozowania spływu z takich regionów. W pracy analizowano i porównano dwie metody uczenia maszynowego - metodę regresji wektorów nośnych (SVR) i sieci falkowych (WN) do dobowego prognozowania spływu w górskiej zlewni Sianji, usytuowanej w indyjskiej części Himalajów. Modele opracowano na podstawie danych o spływie, wskaźniku poprzednich opadów, opadzie i kolejnym dniu roku za trzyletni okres od 1 lipca 2001 r. do 30 czerwca 2004 r. Stwierdzono, że obie metody zapewniają dokładne wyniki, przy czym najlepszy model WN nieco przewyższa najlepszy model SVR pod względem dokładności. Obie metody powinny być testowane w innych zlewniach górskich o ograniczonej liczbie danych, aby lepiej ocenić ich przydatność do prognozowania.
Źródło:: Journal of Water and Land Development; 2012, no. 17 [VII-XII]; 89-97
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: The variability of natural and climatic conditions in investment projects in the field of nature management
Autorzy:: Rokochinskiy, Anatoliy
Frolenkova, Nadia
Turcheniuk, Vasyl
Volk, Pavlo
Prykhodko, Natalіa
Tykhenko, Ruslan
Openko, Ivan
Powiązania:: https://bibliotekanauki.pl/articles/1844384.pdf
Data publikacji:: 2021
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: agricultural production
environmental management
forecasting and optimization models
investment projects
natural and climatic conditions
water management and land reclamation systems
Opis:: The article focuses on the actual scientific and practical problem of accounting for the influence of meteorological and climatic factors in the technical and economic calculations in the field of environmental management. It has been proven that the introduction of scientifically sound and effective methods of using meteorological and climatic information in economic calculations significantly reduces the loss caused by weather conditions and improves the implementation of an optimal strategy for agricultural production on reclaimed lands. Such calculations are based on economic and statistical modelling of different variants that accounting for standard hydrometeorological information in the implementation of design, management and economic decisions. This increases the validity and reliability of calculations, as well as their compliance with the actual operating conditions of environmental and economic facilities. Consequently, this attracts increased interest of both public and private investors. Not only under such conditions is a sustainable development of environmental management sectors possible but also the adaptation to global climate change and additional benefits from the efficient economic activity in the new environmental conditions.
Źródło:: Journal of Water and Land Development; 2021, 48; 48-54
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

Tytuł:: Water demand forecasting using extreme learning machines
Przewidywanie zapotrzebowania na wodę z użyciem technik uczenia maszynowego
Autorzy:: Tiwari, M.
Adamowski, J.
Adamowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/292339.pdf
Data publikacji:: 2016
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: artificial neural networks
bootstrap
Canada
extreme learning machines
uncertainty
water demand forecasting
wavelets
ekstremalne maszyny uczące się
falki
Kanada
niepewność
prognozowanie zapotrzebowania na wodę
sztuczne sieci neuronowe
Opis:: The capacity of recently-developed extreme learning machine (ELM) modelling approaches in forecasting daily urban water demand from limited data, alone or in concert with wavelet analysis (W) or bootstrap (B) methods (i.e., ELM, ELM_W, ELM_B), was assessed, and compared to that of equivalent traditional artificial neural network-based models (i.e., ANN, ANN_W, ANN_B). The urban water demand forecasting models were developed using 3-year water demand and climate datasets for the city of Calgary, Alberta, Canada. While the hybrid ELM_B and ANN_B models provided satisfactory 1-day lead-time forecasts of similar accuracy, the ANN_W and ELM_W models provided greater accuracy, with the ELM_W model outperforming the ANN_W model. Significant improvement in peak urban water demand prediction was only achieved with the ELM_W model. The superiority of the ELM_W model over both the ANN_W or ANN_B models demonstrated the significant role of wavelet transformation in improving the overall performance of the urban water demand model.
Oceniono zdolność modelowania z użyciem ekstremalnej maszyny uczącej się (ELM) stosowanej samodzielnie bądź w połączeniu z analizą falkową (W) lub metodami bootstrapowymi (B) (tzn. ELM, ELM_W, ELM_B) do przewidywania dobowego zapotrzebowania na wodę w mieście. Wyniki porównano z uzyskanymi tradycyjnymi metodami bazującymi na sztucznych sieciach neuronowych (tzn. ANN, ANN_W, ANN_B). Modele przewidujące zapotrzebowanie na wodę zbudowano z wykorzystaniem trzyletniego zapotrzebowania na wodę i zestawu danych klimatycznych dla miasta Calgary w kanadyjskiej prowincji Alberta. Hybrydowe modele ELM_B i ANN_B zapewniały satysfakcjonujące prognozy jednodniowe o podobnej dokładności, natomiast wyniki uzyskane z zastosowaniem modeli ELM_W i ANN_W były bardziej dokładne, przy czym model ELM_W okazał się lepszy niż ANN_W. Istotną poprawę prognozowania szczytowego zapotrzebowania na wodę w mieście uzyskano jedynie z zastosowaniem modelu ELM_W. Wyższość modelu ELM_W nad modelami ANN_W czy ANN_B dowodzi znaczącej roli transformacji falkowej w usprawnianiu działania modeli prognozujących zapotrzebowanie na wodę w mieście.
Źródło:: Journal of Water and Land Development; 2016, 28; 37-52
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 10.

Tytuł:: Assessing the suitability of extreme learning machines (ELM) for groundwater level prediction
Ocena zdolności ekstremalnych maszyn uczących (ELM) do przewidywania poziomu wód gruntowych
Autorzy:: Yadav, B.
Ch, S.
Mathur, S.
Adamowski, J.
Powiązania:: https://bibliotekanauki.pl/articles/293096.pdf
Data publikacji:: 2017
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: extreme learning machine (ELM)
forecasting
groundwater level
support vector machine (SVM)
water resource management
maszyna uczenia ekstremalnego (ELM)
maszyna wektorów nośnych SVM
poziom wód gruntowych
prognozowanie
zarządzanie zasobami wodnymi
Opis:: Fluctuation of groundwater levels around the world is an important theme in hydrological research. Rising water demand, faulty irrigation practices, mismanagement of soil and uncontrolled exploitation of aquifers are some of the reasons why groundwater levels are fluctuating. In order to effectively manage groundwater resources, it is important to have accurate readings and forecasts of groundwater levels. Due to the uncertain and complex nature of groundwater systems, the development of soft computing techniques (data-driven models) in the field of hydrology has significant potential. This study employs two soft computing techniques, namely, extreme learning machine (ELM) and support vector machine (SVM) to forecast groundwater levels at two observation wells located in Canada. A monthly data set of eight years from 2006 to 2014 consisting of both hydrological and meteorological parameters (rainfall, temperature, evapotranspiration and groundwater level) was used for the comparative study of the models. These variables were used in various combinations for univariate and multivariate analysis of the models. The study demonstrates that the proposed ELM model has better forecasting ability compared to the SVM model for monthly groundwater level forecasting.
Na całym świecie fluktuacje poziomów wód gruntowych stanowią ważny temat badań hydrologicznych. Rosnące potrzeby wodne, błędne praktyki irygacyjne, niewłaściwa gospodarka glebowa i niekontrolowana eksploatacja poziomów wodonośnych są powodami, dla których poziom wód gruntowych podlega fluktuacjom. Dla skutecznego zarządzania zasobami wód gruntowych istotne jest dysponowanie dokładnymi zapiskami i zdolność prognozowania poziomu tych wód. Rozwój technik komputerowych (modele wykorzystujące dane) w dziedzinie hydrologii ma istotny potencjał z powodu niepewnego i złożonego charakteru systemów wód gruntowych. W prezentowanych badaniach wykorzystano dwie techniki komputerowe: maszynę uczenia ekstremalnego (ELM) i maszynę wektorów nośnych (SVM – ang. support vector machine) do przewidywania poziomów wód gruntowych w dwóch studzienkach obserwacyjnych w Kanadzie. Do porównawczych badań modeli wykorzystano zestaw danych miesięcznych z ośmiu lat (2006–2014), składający się z danych hydrologicznych i meteorologicznych (opady, temperatura, ewapotranspiracja, poziom wody). Wymienione zmienne zastosowano w rozmaitych kombinacjach do jedno- i wieloparametrycznej analizy modeli. Wyniki dowodzą, że model ELM ma lepsze zdolności przewidywania miesięcznych poziomów wód gruntowych w porównaniu z modelem SVM.
Źródło:: Journal of Water and Land Development; 2017, 32; 103-112
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 11.

Tytuł:: A wavelet-SARIMA-ANN hybrid model for precipitation forecasting
Hybrydowy model wavelet-SARIMA-ANN do prognozowania opadów
Autorzy:: Shafaei, M.
Adamowski, J.
Fakheri-Fard, M.
Dinpashoh, Y.
Adamowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/292320.pdf
Data publikacji:: 2016
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: artificial neural network (ANN)
precipitation forecasting
seasonal auto regressive integrated moving average (SARIMA)
water resources management
wavelet
gospodarka zasobami wodnymi
metoda wavelet
prognozowanie opadów
sezonowa zintegrowana autoregresja z ruchomą średnią
sztuczne sieci neuronowe
Opis:: Given its importance in water resources management, particularly in terms of minimizing flood or drought hazards, precipitation forecasting has seen a wide variety of approaches tested. As monthly precipitation time series have nonlinear features and multiple time scales, wavelet, seasonal auto regressive integrated moving average (SARIMA) and hybrid artificial neural network (ANN) methods were tested for their ability to accurately predict monthly precipitation. A 40-year (1970–2009) precipitation time series from Iran’s Nahavand meteorological station (34°12’N lat., 48°22’E long.) was decomposed into one low frequency subseries and several high frequency sub-series by wavelet transform. The low frequency sub-series were predicted with a SARIMA model, while high frequency subseries were predicted with an ANN. Finally, the predicted subseries were reconstructed to predict the precipitation of future single months. Comparing model-generated values with observed data, the wavelet-SARIMA-ANN model was seen to outperform wavelet-ANN and wavelet-SARIMA models in terms of precipitation forecasting accuracy.
Prognozowanie opadów, ze względu na ich znaczenie w gospodarce zasobami wodnymi, szczególnie w zmniejszaniu ryzyka powodzi czy susz, było już przedmiotem wielu badań. Serie miesięcznych opadów mają właściwości nieliniowe i różne skale czasowe, w związku z czym przetestowano różne metody: wavelet, metodę zintegrowanej sezonowej autoregresji z ruchomą średnią (SARIMA) i hybrydową metodę sztucznych sieci neuronowych (ANN) pod kątem ich zdolności do dokładnego przewidywania miesięcznych opadów. Czterdziestoletnią (1970–2009) serię opadów z irańskiej stacji meteorologicznej w Nahavand (34°12’N, 48°22’E) rozłożono na jedną podserię o niskiej częstotliwości i kilka podserii o wysokiej częstotliwości występowania opadów przez transformację falkową. Podserie o niskiej częstotliwości prognozowano za pomocą modelu SARIMA, podczas gdy podserie o wysokiej częstotliwości prognozowano, stosując ANN. Na koniec prognozowane podserie zrekonstruowano celem przewidywania opadów w poszczególnych miesiącach w przyszłości. Porównanie wartości generowanych przez model z danymi z obserwacji wykazało lepszą dokładność prognozowania opadów za pomocą modelu wavelet-SARIMA-ANN niż za pomocą modeli wavelet-ANN i wavelet-SARIMA.
Źródło:: Journal of Water and Land Development; 2016, 28; 27-36
1429-7426
2083-4535
Pojawia się w:: Journal of Water and Land Development
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "FORECASTING" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język