Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khám Phá Dữ Liệu Thủy Văn và Dự Đo Dòng Chảy Sông Của Một Lưu Vực Sông Nhiệt Đới Ẩm Sử Dụng Mạng Nơ-ron Nhân Tạo
Tóm tắt
Nghiên cứu này điều tra tính ứng dụng của mạng nơ-ron nhân tạo (ANN) trong việc mô hình hóa dòng chảy sông hàng ngày ở một lưu vực sông nhiệt đới ẩm với mô hình mưa theo mùa và đánh giá hiệu quả mô hình bằng các chỉ số hiệu suất thường được sử dụng. Mặc dù mô hình phát triển đã cho kết quả thỏa đáng trong thời gian mưa, nhưng đường cong thủy văn dự đoán cho giai đoạn dòng chảy thấp có sự sai lệch đáng kể so với dữ liệu quan sát. Dữ liệu mưa và xả có sẵn cho việc mô hình hóa đã được khám phá bằng cách sử dụng bản đồ tự tổ chức (SOM) và một tập con dữ liệu có mối quan hệ rõ ràng giữa các biến thủy văn đã được xác định. Phương pháp thay thế để mô hình hóa dòng chảy sông sử dụng kiến thức từ phân tích SOM đã cải thiện kết quả của mô hình. Kết quả cho thấy rằng các mô hình ANN có thể được áp dụng để dự đoán dòng chảy sông trong các lưu vực sông nhiệt đới ẩm trong mùa mưa. Khám phá dữ liệu đầu vào bằng cách sử dụng SOM đã được tìm thấy là hữu ích trong việc phát triển các mô hình ANN hợp lý.
Từ khóa
#mạng nơ-ron nhân tạo #mô hình hóa dòng chảy #lưu vực sông nhiệt đới ẩm #bản đồ tự tổ chức #dự đoán dòng chảyTài liệu tham khảo
Abbott MB, Bathurst JC, Cunge JA, O’Connell PE, Rasmussen J (1986) An introduction to the European hydrological system – Systeme Hydrologique Europeen, “SHE.”1: History and philosophy of a physically based distributed modelling system. J Hydrol 87:45–59
Baum EB, Haussler D (1989) What size net gives valid generalization? Neural Comput 1:151–160
Beale R, Jackson T (1990) Neural computing: An introduction. Institute of Physics, Bristol
Bose NK, Liang P (1998) Neural network fundamentals with graphs, algorithms, and applications. McGraw-Hill, Delhi
Fahlman SE, Lebiere C (1991) The cascade-correlation learning architecture. Carnegie Mellon University Technical report CMU-CS-90-100
Gopakumar R (1999) Seabed recognition using neural networks. M.Sc. Thesis H.H.349, IHE, Delft, Netherlands
Hall MJ, Minns AW (1998) Classification of hydrologically homogenous regions. Hydroinformatics ‘98, Proc. 3rd International Conf. on Hydroinformatics, Copenhagen, vol 2. Balkema, Rotterdam
Haykin S (1999) Neural networks: A comprehensive foundation. Pearson, Singapore
Imrie CE, Durucan S, Korre A (2000) River flow prediction using artificial neural networks: Generalization beyond the calibration range. J Hydrol 233:138–153
Kachroo RK (1992) River flow forecasting. Part 1. A discussion of the principles. J Hydrol 133:1–15
Kohonen T (1997) Self-organizing maps. Series in information sciences, vol 30, 2nd edn. Springer, Berlin Heidelberg New York
Kohonen T (1998) Self organizing map. Neurocomputing 21(1):1–6
Lekkas DF, Imrie CE, Lees MJ (2001) Improved nonlinear transfer function and neural network methods of flow routing for real-time forecasting. J Hydroinform 03.3:153–164
Minns AW, Hall MJ (1996) Artificial neural networks as rainfall-runoff models. J Hydrol Sci 41(3):399–417
Muttiah RS, Srinivasan R, Allen PM (1997) Prediction of two-year peak stream discharges using neural networks. J Am Water Resour Assoc 33(3):625–630
Narendra KS, Parthasarathy K (1990) Identification and control of dynamical systems using neural networks. IEEE Trans Neural Netw 1:4–27
Nash JE, Sutcliffe JV (1970) River flow forecasting through conceptual models: Part I – A discussion of principles. J Hydrol 10:282–290
Pisharoty PR (1990) Characteristics of Indian rainfall. Ahmedabad, India : Physical Research Laboratories (monograph)
Rumelhart DE, Hinton GE, Williams RJ (1986) Learning internal representations by error propagation. In: Parallel distributed processing. Explorations in the microstructure of cognition, vol 1. MIT Press, Cambridge, Massachsetts, USA
Sajikumar N, Thandaveswara BS (2000) A non-linear rainfall-runoff model using an artificial neural network. J Hydrol 216:32–55
Smith J, Eli RN (1995) Neural Network models of rainfall-runoff process. J Water Resour Plan Manage 121:499–508
Sudheer KP, Jain SK (2003) Radial basis function neural network for modeling rating Curves. J Hydrol Eng 8(3):161–164
Thirumalaiah K, Deo MC (1998) River stage forecasting using artificial neural networks. J Hydrol Eng 3(1):26–32
Widrow B (1987) Adaline and madaline: plenary speech. In: Proc. 1st IEEE International Conf. Neural Networks, San Diego. The IEEE Inc, Piscataway, NJ
World Meteorological Organization (1975) Intercomparison of conceptual models used in operational hydrological forecasting. WMO Technical report No 429, Geneva, Switzerland