Rainfall forecasting is important f

Rainfall forecasting is important for many catchment management applications, in particular for flood warning systems. The variability of rainfall in space and time, however, renders quantitative forecasting of rainfall extremely difficult. The depth of rainfall and its distribution in the temporal and spatial dimensions depends on many variables, such as pressure, temperature, and wind speed and direction. Due to the complexity of the atmospheric processes by which rainfall is generated and the lack of available data on the necessary temporal and spatial scales, it is not feasible generally to forecast rainfall using a physically based process model. Recent developments in artificial intelligence and, in particular, those techniques aimed at pattern recognition, however, provide an alternative approach for developing of a rainfall forecasting model. Artificial neural networks (ANNs), which perform a nonlinear mapping between inputs and outputs, are one such technique. Presented in this paper are the results of a study investigating the application of ANNs to forecast the spatial distribution of rainfall for an urban catchment. Three alternative types of ANNs, namely multilayer feedforward neural networks, partial recurrent neural networks, and time delay neural networks, were identified, developed and, as presented in this paper, found to provide reasonable predictions of the rainfall depth one time-step in advance. The data requirements for and the accuracy obtainable from these three alternative types of ANNs are discussed.

ผลลัพธ์ (ไทย) 1:

คาดการณ์ปริมาณน้ำฝนมีความสำคัญสำหรับโปรแกรมประยุกต์หลายลุ่มน้ำการจัดการ โดยเฉพาะอย่างยิ่งสำหรับระบบแจ้งเตือนภัยน้ำท่วม สำหรับความผันผวนของปริมาณน้ำฝนในพื้นที่ อย่างไรก็ตาม ทำการคาดการณ์ปริมาณน้ำฝนมากยาก ความลึกของปริมาณน้ำฝนและการกระจายในขมับ และปริภูมิมิติขึ้นอยู่กับหลายตัวแปร ความดัน อุณหภูมิ และความเร็วลม และทิศทาง ความซับซ้อนของกระบวนการโดยปริมาณน้ำฝนที่จะสร้างบรรยากาศและการขาดข้อมูลในระดับชั่วคราว และพื้นที่ที่จำเป็น ไม่โดยทั่วไปเพื่อคาดการณ์ปริมาณน้ำฝนโดยใช้แบบจำลองกระบวนการทางกายภาพตาม พัฒนาล่าสุด ในปัญญาประดิษฐ์ และ โดย เฉพาะ เทคนิคเหล่านั้นมุ่งเน้นที่รูปแบบการรับรู้ ให้วิธีการสำรองสำหรับการพัฒนาของฝนแบบจำลองการคาดการณ์อย่างไรก็ตาม ประดิษฐ์ประสาทเครือข่าย (ANNs), ที่ทำการแมปที่ไม่เชิงเส้นระหว่างอินพุตและเอาท์พุต เทคนิคเช่นเดียวกัน นำเสนอในเอกสารนี้เป็นผลของการศึกษาการตรวจสอบแอพลิเคชันของ ANNs เพื่อคาดการณ์การกระจายของฝนในลุ่มน้ำการเมือง สามชนิดอื่นของ ANNs ได้แก่เครือข่ายประสาทหลายชั้น feedforward เครือข่ายประสาทบางส่วนที่เกิดซ้ำ และระหว่างเครือ ข่ายเวลาประสาท ระบุ พัฒนา และ เป็นแสดงในเอกสารนี้ พบให้คาดคะเนที่สมเหตุสมผลของความลึกของฝนหนึ่งเวลาขั้นตอนล่วงหน้า ข้อมูลความต้องการและความถูกต้องสิทธิได้รับจากชนิดอื่นเหล่านี้สามของ ANNs กล่าวถึง

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ปริมาณน้ำฝนเป็นสิ่งสำคัญสำหรับการใช้งานการจัดการการเก็บกักน้ำจำนวนมากโดยเฉพาะอย่างยิ่งสำหรับระบบเตือนภัยน้ำท่วม ความแปรปรวนของปริมาณน้ำฝนในพื้นที่และเวลา แต่การแสดงผลการคาดการณ์ปริมาณน้ำฝนที่ยากมาก ความลึกของปริมาณน้ำฝนและการจัดจำหน่ายในมิติเวลาและพื้นที่ขึ้นอยู่กับตัวแปรหลายอย่างเช่นความดันอุณหภูมิและความเร็วลมและทิศทาง เนื่องจากความซับซ้อนของกระบวนการบรรยากาศโดยที่ปริมาณน้ำฝนถูกสร้างขึ้นและขาดข้อมูลที่มีอยู่บนเครื่องชั่งน้ำหนักเวลาและพื้นที่ที่จำเป็นนั้นมันเป็นไปไม่ได้โดยทั่วไปในการคาดการณ์ปริมาณน้ำฝนโดยใช้แบบจำลองกระบวนการตามร่างกาย ความคืบหน้าล่​​าสุดในด้านปัญญาประดิษฐ์และโดยเฉพาะอย่างยิ่งเทคนิคที่มุ่งเป้าไปที่การจดจำรูปแบบ แต่ให้เป็นวิธีทางเลือกในการพัฒนารูปแบบการพยากรณ์ปริมาณน้ำฝน เครือข่ายประสาทเทียม (ANNs) ซึ่งดำเนินการทำแผนที่เชิงเส้นระหว่างปัจจัยการผลิตและผลผลิตเป็นหนึ่งในเทคนิคดังกล่าว นำเสนอในบทความนี้มีผลการศึกษาตรวจสอบการประยุกต์ใช้ ANNs ที่จะคาดการณ์การกระจายของปริมาณน้ำฝนที่กักเก็บน้ำสำหรับเมืองที่ สามประเภททางเลือกของการ ANNs คือเครือข่ายประสาทหลายคราท, เครือข่ายประสาทบางส่วนเกิดขึ้นอีกและหน่วงเวลาเครือข่ายประสาทถูกระบุว่าได้รับการพัฒนาและเป็นที่นำเสนอในงานวิจัยนี้พบว่าให้การคาดการณ์ที่เหมาะสมของความลึกปริมาณน้ำฝนเพียงครั้งเดียวขั้นตอนล่วงหน้า . ความต้องการข้อมูลและความถูกต้องที่จะได้รับจากทั้งสามประเภททางเลือกของการ ANNs จะกล่าวถึง