Streamflow forecasting plays a crit

Streamflow forecasting plays a critical role in nearly all aspects of water resources planning and management. In this work, Gaussian Process Regression (GPR), an effective kernel-based machine learning algorithm, is applied to probabilistic streamflow forecasting. GPR is built on Gaussian process, which is a stochastic process that generalizes multivariate Gaussian distribution to infinite-dimensional space such that distributions over function values can be defined. The GPR algorithm provides a tractable and flexible hierarchical Bayesian framework for inferring the posterior distribution of streamflows. The prediction skill of the algorithm is tested for one-month-ahead prediction using the MOPEX database, which includes long-term hydrometeorological time series collected from 438 basins across the U.S. from 1948 to 2003. Comparisons with linear regression and artificial neural network models indicate that GPR outperforms both regression methods in most cases. The GPR prediction of MOPEX basins is further examined using the Budyko framework, which helps to reveal the close relationships among water-energy partitions, hydrologic similarity, and predictability. Flow regime modification and the resulting loss of predictability have been a major concern in recent years because of climate change and anthropogenic activities. The persistence of streamflow predictability is thus examined by extending the original MOPEX data records to 2012. Results indicate relatively strong persistence of streamflow predictability in the extended period, although the low-predictability basins tend to show more variations. Because many low-predictability basins are located in regions experiencing fast growth of human activities, the significance of sustainable development and water resources management can be even greater for those regions.

ผลลัพธ์ (ไทย) 1:

Streamflow พยากรณ์มีบทบาทสำคัญในเกือบทุกด้านของการวางแผนทรัพยากรน้ำและการจัดการ งานนี้ ใช้ Gaussian กระบวนการถดถอย (GPR), มีประสิทธิภาพใช้เคอร์เนลเครื่องจักรเรียนรู้อัลกอริทึม การคาดการณ์ probabilistic streamflow GPR อยู่บนกระบวนการ Gaussian สโทแคสติกการที่ generalizes multivariate Gaussian กระจายไปยังพื้นที่ที่ไม่มีขีดจำกัดมิติการกระจายผ่านค่าของฟังก์ชันที่สามารถกำหนดให้ อัลกอริทึม GPR ให้ยืดหยุ่น และ tractable ลำดับทฤษฎีกรอบสำหรับ inferring กระจายหลัง streamflows มีทดสอบทักษะการคาดเดาของอัลกอริทึมที่ในหนึ่งเดือนล่วงหน้าทำนาย โดยใช้ฐานข้อมูล MOPEX ซึ่งรวมถึงชุดเวลาระยะยาว hydrometeorological รวบรวมจากอ่างล่างหน้า 438 ทั่วสหรัฐอเมริกาจาก 1948 2003 เปรียบเทียบกับการถดถอยเชิงเส้นและแบบจำลองโครงข่ายประสาทเทียมระบุว่า GPR outperforms วิธีการถดถอยทั้งในกรณีส่วนใหญ่ ทำนาย GPR ของอ่างล่างหน้า MOPEX เพิ่มเติมคือตรวจสอบโดยใช้กรอบงาน Budyko ซึ่งช่วยเปิดเผยความสัมพันธ์ที่ปิดกั้นพลังงานน้ำ อุทกวิทยาคล้าย และแอพพลิเคชัน กระแสเปลี่ยนแปลงระบอบการปกครองและการสูญเสียผลของแอพพลิเคชันได้กังวลหลักในปีที่ผ่านมาเนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศและกิจกรรมที่มาของมนุษย์ ติดตาของแอพพลิเคชัน streamflow จึงได้รับการตรวจสอบระเบียนข้อมูล MOPEX ฉบับ 2555 ขยาย ผลบ่งชี้ค่อนข้างแข็งแรงติดตาของแอพพลิเคชัน streamflow ในระยะที่ผ่านมา แม้ว่าอ่างล่างหน้าแอพพลิเคชันต่ำมักจะ แสดงรูปแบบเพิ่มเติม เนื่องจากอ่างล่างหน้าแอพพลิเคชันต่ำมากอยู่ในภูมิภาคที่ประสบปัญหาการเจริญเติบโตอย่างรวดเร็วของมนุษย์ ความสำคัญของการยั่งยืนพัฒนาและทรัพยากรการจัดการน้ำได้ยิ่งสำหรับภูมิภาคเหล่านั้น

ผลลัพธ์ (ไทย) 2:

การพยากรณ์น้ำท่ามีบทบาทสำคัญในเกือบทุกด้านของการวางแผนทรัพยากรน้ำและการจัดการ ในงานนี้กระบวนการถดถอยเสียน (GPR) ซึ่งเป็นขั้นตอนวิธีการเรียนรู้เครื่องเคอร์เนลตามที่มีประสิทธิภาพถูกนำไปใช้ในการคาดการณ์ความน่าจะเป็นน้ำท่า GPR ถูกสร้างขึ้นในขั้นตอนการเสียนซึ่งเป็นกระบวนการที่สุ่ม generalizes เสียนกระจายหลายตัวแปรไปยังพื้นที่ที่ไม่มีที่สิ้นสุดมิติดังกล่าวว่าการกระจายมากกว่าค่าฟังก์ชั่นสามารถกำหนด อัลกอริทึม GPR ให้กรอบคชกรรมเวไนยลำดับชั้นและมีความยืดหยุ่นสำหรับการอนุมานการกระจายหลังของ streamflows ทักษะการคาดการณ์ของขั้นตอนวิธีการทดสอบการทำนายหนึ่งเดือนข้างหน้าโดยใช้ฐานข้อมูล MOPEX ซึ่งรวมถึงระยะยาวอนุกรมเวลา Hydrometeorological เก็บรวบรวมจาก 438 อ่างทั่วสหรัฐจาก 1948 ถึง 2003 เปรียบเทียบกับการถดถอยเชิงเส้นและรูปแบบเครือข่ายประสาทเทียมบ่งชี้ ที่มีประสิทธิภาพดีกว่า GPR ทั้งวิธีการถดถอยในกรณีส่วนใหญ่ ทำนาย GPR อ่าง MOPEX จะตรวจสอบต่อไปโดยใช้กรอบ Budyko ซึ่งจะช่วยเผยให้เห็นความสัมพันธ์ใกล้ชิดในหมู่พาร์ทิชันน้ำพลังงานความคล้ายคลึงกันทางอุทกวิทยาและการคาดการณ์ การปรับเปลี่ยนระบบการปกครองการไหลและการสูญเสียที่เกิดจากการคาดการณ์ที่ได้รับความกังวลหลักในปีที่ผ่านมาเนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศและกิจกรรมของมนุษย์ ติดตาของการคาดการณ์น้ำท่าจึงจะตรวจสอบโดยการขยายระเบียนข้อมูล MOPEX เดิมที่ 2012 บ่งชี้ถึงผลการติดตาที่แข็งแกร่งค่อนข้างคาดการณ์น้ำท่าในระยะเวลานานแม้ว่าลุ่มต่ำคาดการณ์แนวโน้มที่จะแสดงรูปแบบเพิ่มเติม เพราะหลายลุ่มต่ำคาดการณ์ที่ตั้งอยู่ในพื้นที่ประสบการเจริญเติบโตอย่างรวดเร็วจากกิจกรรมของมนุษย์ที่สำคัญของการพัฒนาที่ยั่งยืนและการจัดการทรัพยากรน้ำได้มากขึ้นสำหรับภูมิภาคเหล่านั้น

ผลลัพธ์ (ไทย) 3:

การพยากรณ์น้ำท่า มีบทบาทในเกือบทุกด้านของการวางแผนและการจัดการทรัพยากรน้ำ ในงานนี้ ขั้นตอนกระบวนการเกาส์ ( gpr ) ที่มีประสิทธิภาพของอัลกอริทึมที่ใช้กับการใช้ข้อมูลการพยากรณ์ gpr ถูกสร้างขึ้นในกระบวนการ ) ,ซึ่งเป็นกระบวนการ stochastic ที่หน้าแดงแบบเช่นนี้ได้ขยายพื้นที่มิติอนันต์เช่นที่กระจายผ่านฟังก์ชันค่าสามารถกำหนด การ gpr ขั้นตอนวิธีให้ควบคุมได้ง่ายและมีความยืดหยุ่นลำดับชั้นแบบกรอบการกระจายด้านหลังใกล้เคียง .พยากรณ์ทักษะของวิธีการทดสอบหนึ่งเดือนข้างหน้าการทำนายโดยใช้ mopex ฐานข้อมูลซึ่งรวมถึงระยะยาว hydrometeorological อนุกรมเวลาที่รวบรวมจาก 438 ในแอ่งน้ำทั่วสหรัฐ จาก 2491 - 2003 เปรียบเทียบกับการถดถอยเชิงเส้นและการใช้โครงข่ายประสาทเทียมแบบจำลอง พบว่า ทั้ง gpr มีประสิทธิภาพดีกว่าวิธีการถดถอยในกรณีส่วนใหญ่การ gpr การทำนาย mopex อ่างต่อไปตรวจสอบโดยใช้ budyko กรอบซึ่งจะช่วยเปิดเผยความสัมพันธ์ใกล้ชิดระหว่างพาร์ติชัน พลังงาน น้ำ ความเหมือน อุทกวิทยาและการคาดการณ์ . การปรับเปลี่ยนระบบการไหลและเกิดการสูญเสียความสามารถในการคาดการณ์ได้ ปัญหาใหญ่ในปีที่ผ่านมา เนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศและจากกิจกรรมของมนุษย์การคงอยู่ของปริมาณที่คาดการณ์ จึงทดสอบโดยการขยายต้นฉบับบันทึกข้อมูล mopex เพื่อ 2012 การติดตาค่อนข้างมากของปริมาณที่คาดการณ์ในช่วงขยาย ถึงแม้ว่าในแอ่งต่ำมีแนวโน้มที่จะแสดงการเปลี่ยนแปลงเพิ่มเติม เพราะหลายอ่างที่คาดการณ์ต่ำอยู่ในภูมิภาคประสบการเติบโตอย่างรวดเร็วของกิจกรรมของมนุษย์ความสำคัญของการพัฒนาที่ยั่งยืนและการจัดการทรัพยากร น้ำจะยิ่งสําหรับพื้นที่เหล่านั้น