- 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