Rainfall is considered as one of th

Rainfall is considered as one of the major components of the hydrological process; it takes
significant part in evaluating drought and flooding events. Therefore, it is important to have an
accurate model for rainfall prediction. Recently, several data-driven modeling approaches have
been investigated to perform such forecasting tasks as multilayer perceptron neural networks
(MLP-NN). In fact, the rainfall time series modeling (SARIMA) involvesimportant temporal
dimensions. In order to evaluate the incomes of both models, statistical parameters were used to
make the comparison between the two models. These parameters include the Root Mean Square
Error RMSE, Mean Absolute Error MAE, Coefficient Of Correlation CC and BIAS. Two-Third
of the data was used for training the model and One-third for testing.

ผลลัพธ์ (ไทย) 1:

ปริมาณน้ำฝนถือว่าเป็นหนึ่งในองค์ประกอบสำคัญของกระบวนการด้านชลศาสตร์ มันต้องใช้เวลาส่วนหนึ่งที่สำคัญในการประเมินภัยแล้ง และเหตุการณ์น้ำท่วม ดังนั้น จะต้องมีการรูปแบบที่ถูกต้องสำหรับพยากรณ์ปริมาณน้ำฝน ล่าสุด วิธีสร้างโมเดลที่มีการปรับปรุงข้อมูลต่าง ๆ ได้การตรวจสอบการทำงานเครือข่ายประสาทเพอร์เซปตรอนหลายชั้นเช่นคาดการณ์(MLP-NN) ในความเป็นจริง ปริมาณน้ำฝนในเวลาชุดโมเดล (สมถวิล) involvesimportant ชั่วคราวมิติ เพื่อประเมินรายได้ของทั้งสองรุ่น พารามิเตอร์สถิติที่ใช้ในการทำการเปรียบเทียบระหว่าง 2 รุ่น พารามิเตอร์เหล่านี้มีค่าเฉลี่ยกำลังสองรากข้อผิดพลาด RMSE ข้อผิดพลาดสัมบูรณ์หมายถึงแม่ สัมประสิทธิ์สหสัมพันธ์ CC และความโน้มเอียง สองในสามข้อมูลถูกใช้สำหรับการฝึกอบรมรูปแบบและหนึ่งในสามสำหรับการทดสอบ

ผลลัพธ์ (ไทย) 2:

ปริมาณน้ำฝนถือเป็นหนึ่งในองค์ประกอบที่สำคัญของกระบวนการทางอุทกวิทยา;
มันจะใช้เวลาส่วนหนึ่งที่สำคัญในการประเมินภัยแล้งและน้ำท่วมเหตุการณ์
ดังนั้นจึงเป็นสิ่งสำคัญที่จะมีรูปแบบที่ถูกต้องสำหรับการคาดการณ์ปริมาณน้ำฝน เมื่อเร็ว ๆ
นี้หลายที่ขับเคลื่อนด้วยข้อมูลวิธีการสร้างแบบจำลองได้รับการตรวจสอบเพื่อดำเนินการคาดการณ์เช่นเครือข่ายประสาทหลายตรอน
(MLP-NN) ในความเป็นจริงเวลาที่ปริมาณน้ำฝนแบบจำลองชุด (SARIMA) ชั่วคราว involvesimportant
มิติ
เพื่อประเมินรายได้ของทั้งสองรุ่นพารามิเตอร์ทางสถิติที่ถูกนำมาใช้เพื่อทำให้การเปรียบเทียบระหว่างสองรุ่น พารามิเตอร์เหล่านี้รวมถึงราก Mean Square
Error RMSE, หมายถึงข้อผิดพลาดแอบโซลูทเม, ค่าสัมประสิทธิ์สหสัมพันธ์ของซีซีและ BIAS
สองตัวที่สามของข้อมูลที่ใช้สำหรับการฝึกอบรมรุ่นและหนึ่งในสามสำหรับการทดสอบ

ผลลัพธ์ (ไทย) 3:

ฝนถือเป็นหนึ่งในองค์ประกอบสำคัญของกระบวนการทางอุทกวิทยา ใช้เวลา
ส่วนสําคัญในการประเมินความแห้งแล้งและน้ำท่วม เหตุการณ์ ดังนั้น , มันเป็นสิ่งสำคัญที่จะมีรูปแบบถูกต้องสำหรับพยากรณ์ปริมาณน้ำฝน
. เมื่อเร็ว ๆนี้หลาย - การสร้างแบบจำลองจะถูกตรวจสอบเพื่อดำเนินการเช่นการพยากรณ์
งานเป็นหลายชั้นธรรมดาเครือข่ายประสาท
( mlp-nn ) ในความเป็นจริงฝนแบบอนุกรมเวลา ( sarima ) involvesimportant ชั่วคราว
) เพื่อประเมินรายได้ของทั้งสองแบบจำลองพารามิเตอร์ทางสถิติใช้

ให้เปรียบเทียบระหว่างสองรุ่น พารามิเตอร์เหล่านี้รวมถึงรากหมายความว่าสี่เหลี่ยมจัตุรัส
ความคลาดเคลื่อน RMSE , หมายถึงแม่ข้อผิดพลาดแน่นอนค่า CC ) และอคติ . 3
ของข้อมูลที่ใช้สำหรับการฝึกรูปแบบหนึ่งที่สามสำหรับการทดสอบ