Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "hydrometeorology" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Towards a grid infrastructure for hydro-meteorological research
    Zastosowanie infrastruktury gridowej do badań hydrometeorologicznych
    Autorzy:
    Schiffers, M.
    Kranzlmuller, D.
    Clematis, A.
    D'Agostino, D.
    Galizia, A.
    Quarati, A.
    Parodi, A.
    Morando, M.
    Rebora, N.
    Trasforini, E.
    Molini, L.
    Siccardi, F.
    Craig, G.
    Tafferner, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/305473.pdf
    Data publikacji:
    2011
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    obliczenia gridowe
    obliczenia wysokiej wydajności
    hydrometeorologia
    e-science
    grid computing
    high performance computing
    hydrometeorology
    Opis:
    The Distributed Research Infrastructure for Hydro-Meteorological Study (DRIHMS) is a co-ordinated action co-funded by the European Commission. DRIHMS analyzes the main issues that arise when designing and setting up a pan-European Grid-based e-Infrastructure for research activities in the hydrologic and meteorological fields. The main outcome of the project is represented first by a set of Grid usage patterns to support innovative hydro-meteorological research activities, and second by the implications that such patterns define for a dedicated Grid infrastructure and the respective Grid architecture.
    Rozproszona infrastruktura naukowa przeznaczona do badań hydrometeorologicznych (Distributed Research Infrastructure for Hydro-Meteorological Study - DRIHMS) stanowi element skoordynowanej akcji współfinansowanej przez Komisję Europejską. Celem DRIHMS jest analiza głównych problemów spotykanych w dziedzinie hydrologii i meteorologii. Głównym wynikiem projektu będzie zestaw wzorców użytkowania środowisk gridowych w celu wspomagania nowoczesnych badań hydrometeorologicznych oraz wnioski wynikające z powyższego zastosowania, mogące mieć wpływ na dalszy rozwój dedykowanych rozwiązań gridowych.
    Źródło:
    Computer Science; 2011, 12; 45-62
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial Intelligence Based Flood Forecasting for River Hunza at Danyor Station in Pakistan
    Autorzy:
    Yaseen, Muhammad Waseem
    Awais, Muhammad
    Riaz, Khuram
    Rasheed, Muhammad Babar
    Waqar, Muhammad
    Rasheed, Sajid
    Powiązania:
    https://bibliotekanauki.pl/articles/31340346.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Instytut Budownictwa Wodnego PAN
    Tematy:
    hydrometeorology
    random forest
    support vector
    multilayer perceptron
    machine learning
    flood forecasting
    Opis:
    Floods can cause significant problems for humans and can damage the economy. Implementing a reliable flood monitoring warning system in risk areas can help to reduce the negative impacts of these natural disasters. Artificial intelligence algorithms and statistical approaches are employed by researchers to enhance flood forecasting. In this study, a dataset was created using unique features measured by sensors along the Hunza River in Pakistan over the past 31 years. The dataset was used for classification and regression problems. Two types of machine learning algorithms were tested for classification: classical algorithms (Random Forest, RF and Support Vector Classifier, SVC) and deep learning algorithms (Multi-Layer Perceptron, MLP). For the regression problem, the result of MLP and Support Vector Regression (SVR) algorithms were compared based on their mean square, root mean square and mean absolute errors. The results obtained show that the accuracy of the RF classifier is 0.99, while the accuracies of the SVC and MLP methods are 0.98; moreover, in the case of flood prediction, the SVR algorithm outperforms the MLP approach.
    Źródło:
    Archives of Hydro-Engineering and Environmental Mechanics; 2022, 69, 1; 59-77
    1231-3726
    Pojawia się w:
    Archives of Hydro-Engineering and Environmental Mechanics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies