In this study, the application of a

In this study, the application of artificial intelligence to monthly and seasonal rainfall forecasting in Queensland, Australia, was assessed by inputting recognized climate indices, monthly historical rainfall data, and atmospheric temperatures into a prototype stand-alone, dynamic, recurrent, time-delay, artificial neural network. Outputs, as monthly rainfall forecasts 3 months in advance for the period 1993 to 2009, were compared with observed rainfall data using time-series plots, root mean squared error (RMSE), and Pearson correlation coefficients. A comparison of RMSE values with forecasts generated by the Australian Bureau of Meteorology’s Predictive Ocean Atmosphere Model for Australia (POAMA)-1.5 general circulation model (GCM) indicated that the prototype achieved a lower RMSE for 16 of the 17 sites compared. The application of artificial neural networks to rainfall forecasting was reviewed. The prototype design is considered preliminary, with potential for significant improvement such as inclusion of output from GCMs and experimentation with other input attributes.

ผลลัพธ์ (ไทย) 1:

ในการศึกษานี้ การประยุกต์ใช้ปัญญาประดิษฐ์กับการคาดการณ์ปริมาณน้ำฝนรายเดือน และฤดูกาลในรัฐควีนส์แลนด์ ออสเตรเลีย ถูกประเมินเพียงลงดัชนีภูมิอากาศรู้จัก ข้อมูลปริมาณน้ำฝนย้อนหลังรายเดือน และอุณหภูมิของบรรยากาศเป็นตัวต้นแบบสแตนด์อโลน ไดนามิก เกิดซ้ำ หน่วงเวลา ประดิษฐ์โครงข่ายประสาท แสดงผล เป็นการคาดการณ์ปริมาณน้ำฝนรายเดือนล่วงหน้า 3 เดือนในช่วงปี 1993-2009 ถูกเปรียบเทียบกับตรวจสอบข้อมูลปริมาณน้ำฝนโดยใช้ เวลากราฟ ลอการิทึมรากหมายถึงข้อผิดพลาด (RMSE), และค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน การเปรียบเทียบค่า RMSE มีการคาดการณ์ที่สร้างขึ้น โดยออสเตรเลียสำนักอุตุนิยมวิทยาของคาดการณ์มหาสมุทรบรรยากาศรูปแบบสำหรับรูปแบบการหมุนเวียนทั่วไปของออสเตรเลีย (POAMA) -1.5 (บำรุง) ระบุว่า ต้นแบบที่ประสบความสำเร็จ RMSE ที่ต่ำกว่าสำหรับ 16 เปรียบเทียบไซต์ 17 แอพลิเคชันของเครือข่ายประสาทเทียมเพื่อพยากรณ์ปริมาณน้ำฝนที่ตรวจทาน การออกแบบต้นแบบถือเป็นเบื้องต้น มีศักยภาพการปรับปรุงอย่างมีนัยสำคัญรวมจาก GCMs และทดลองกับคุณลักษณะอื่น ๆ สำหรับการป้อนค่า

ผลลัพธ์ (ไทย) 2:

ในการศึกษานี้แอพลิเคชันของปัญญาประดิษฐ์ในการคาดการณ์ปริมาณน้ำฝนรายเดือนและตามฤดูกาลในรัฐควีนส์แลนด์ออสเตรเลียได้รับการประเมินโดยป้อนได้รับการยอมรับดัชนีภูมิอากาศข้อมูลปริมาณน้ำฝนประวัติศาสตร์รายเดือนและอุณหภูมิบรรยากาศเป็นแบบอย่างที่ยืนอยู่คนเดียวแบบไดนามิกกำเริบเวลาล่าช้า เครือข่ายประสาทเทียม เอาท์พุท, การคาดการณ์ปริมาณน้ำฝนเป็นรายเดือนล่วงหน้า 3 เดือนในช่วงเวลา 1993-2009 ได้รับการเปรียบเทียบกับข้อมูลปริมาณน้ำฝนที่สังเกตโดยใช้แปลงอนุกรมเวลารากหมายถึงข้อผิดพลาดกำลังสอง (RMSE) และค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน การเปรียบเทียบค่า RMSE กับการคาดการณ์ที่สร้างโดยสำนักออสเตรเลียมหาสมุทร Predictive อุตุนิยมวิทยาของบรรยากาศรุ่นออสเตรเลีย (POAMA) -1.5 รูปแบบการไหลเวียนทั่วไป (GCM) ชี้ให้เห็นว่าต้นแบบที่ประสบความสำเร็จ RMSE ต่ำกว่า 16 จาก 17 เมื่อเทียบกับเว็บไซต์ การประยุกต์ใช้เครือข่ายประสาทเทียมเพื่อการคาดการณ์ปริมาณน้ำฝนที่ได้รับการตรวจสอบ การออกแบบต้นแบบมีการพิจารณาเบื้องต้นที่มีศักยภาพสำหรับการปรับปรุงที่สำคัญเช่นการรวมของการส่งออกจาก GCMs และการทดลองที่มีคุณลักษณะป้อนข้อมูลอื่น ๆ

ผลลัพธ์ (ไทย) 3:

ในการศึกษา , การประยุกต์ใช้ปัญญาประดิษฐ์เดือนและฤดูกาลฝนตกพยากรณ์ในรัฐควีนส์แลนด์ ประเทศออสเตรเลีย ที่ได้รับการยอมรับโดยป้อนดัชนีภูมิอากาศ ข้อมูลปริมาณฝนและอุณหภูมิของบรรยากาศในประวัติศาสตร์รายเดือน แบบเดี่ยว , แบบไดนามิกกำเริบเวลาหน่วง , โครงข่ายประสาทเทียม ผลผลิตเป็นปริมาณน้ำฝนรายเดือนคาดการณ์ 3 เดือนล่วงหน้าสำหรับงวดปี 2552 เปรียบเทียบกับข้อมูลอนุกรมเวลาปริมาณการใช้แปลงค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) ของราก และหาค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน ผลการวิจัยสรุปได้ดังนี้ 1 . การเปรียบเทียบวิธีการพยากรณ์ค่าสร้างขึ้นโดยออสเตรเลียสำนักอุตุนิยมวิทยาพยากรณ์แบบบรรยากาศทะเลของออสเตรเลีย ( poama ) - 15 รูปแบบการหมุนเวียนทั่วไป ( GCM ) พบว่า ต้นแบบความ RMSE น้อยกว่า 16 17 เว็บไซต์เปรียบเทียบ การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อการพยากรณ์ปริมาณน้ำฝนยังดู ต้นแบบการออกแบบถือว่าเบื้องต้นที่มีศักยภาพสำหรับการปรับปรุงที่สำคัญ เช่น การรวมของผลผลิตจาก GCMS และการทดลองกับคุณลักษณะของสัญญาณอื่น ๆ