Temat: artificial neural network (ANN) - 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:: 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

Skocz do pozycji: 3.

Tytuł:: Development of a neural statistical model for the prediction of relative humidity levels in the region of Rabat-Kenitra, North West Morocco
Autorzy:: El Azhari, Kaoutar
Abdallaoui, Badreddine
Dehbi, Ali
Abdalloui, Abdelaziz
Zineddine, Hamid
Powiązania:: https://bibliotekanauki.pl/articles/2174362.pdf
Data publikacji:: 2022
Wydawca:: Instytut Technologiczno-Przyrodniczy
Tematy:: artificial neural network
ANN
learning algorithm
multi-layer perceptron
MLP
modelling
Rabat-Kenitra
relative humidity
Opis:: This article accounts for the development of a powerful artificial neural network (ANN) model, designed for the prediction of relative humidity levels, using other meteorological parameters such as the maximum temperature, minimum temperature, precipitation, wind speed, and intensity of solar radiation in the Rabat-Kenitra region (a coastal area where relative humidity is a real concern). The model was applied to a database containing a daily history of five meteorological parameters collected by nine stations covering this region from 1979 to mid-2014. It has been demonstrated that the best performing three-layer (input, hidden, and output) ANN mathematical model for the prediction of relative humidity in this region is the multi-layer perceptron (MLP) model. This neural model using the Levenberg-Marquard algorithm, with an architecture of [5-11-1] and the transfer functions Tansig in the hidden layer and Purelin in the output layer, was able to estimate relative humidity values that were very close to those observed. This was affirmed by a low mean squared error (MSE) and a high correlation coefficient (R), compared to the statistical indicators relating to the other models developed as part of this study.
Źródło:: Journal of Water and Land Development; 2022, 54; 13--20
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 "artificial neural network (ANN)" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język