Rainfall forecastingia important fo

Rainfall forecastingia important for many catchment management applications, in
particular for flood warning systems. The variability of rainfall in spsce and time, howeve r, renders
quantitative forecasting of rainfall extremely difIicult. The depth of rainfall and its diiribution in
the temporal and spatial dimensions depends on many variables, such ss pressure, temperature, and
wind speed and direction. Due to the complexity of the atmospheric proceesea by which rainikll is
generated and the lsck of available data on the necessary temporal and spatial scales, it is not fessible
generally to forecest rainfall using a physically based process model. Recent developments in artificial
intellllence and, in particular, these techniques aimed at pattern recognition, however, provide en
altemstive approach Tar developing of a rainfall forecasting model. Artlflclal neural networks (ANNE),
which perform a nonlinear mapping between inputs and outputs, are one such technique. Preeented
in thii paper m the reeults of a study investigst~g the application of ANNE to forecast the spatial
distribution of rainfall for an urban catchment. Three alternative types of ANNE, namely multilayer
feedforward neural networks, partial recurrent neural networks, and time delay neural networks, were
identified, developed and, ss presented in this paper, found to provide reasonable predictions of the
rainfall depth one time-step iu advance. The data requirements. for and the accuracy obtainable
from these three alternative types of ANNs are discussed.

ผลลัพธ์ (ไทย) 1:

สิ่งสำคัญสำหรับงานจำนวนมากในการจัดการลุ่มน้ำ ฝน forecastingia ในเฉพาะสำหรับระบบแจ้งเตือนภัยน้ำท่วม แสดงความแปรปรวนของปริมาณน้ำฝนใน spsce และเวลา howeve rการคาดการณ์ปริมาณน้ำฝนมาก difIicult ความลึกของน้ำฝนและของ diiribution ในขมับ และปริภูมิมิติขึ้นกับหลายตัวแปร เช่น ss ความดัน อุณหภูมิ และความเร็วลมและทิศทาง ความซับซ้อนของ proceesea บรรยากาศ โดย rainikll ซึ่งเป็นสร้าง และ lsck ของข้อมูลความจำเป็นชั่วคราวและเครื่องชั่งเชิงพื้นที่ ไม่ fessibleโดยทั่วไปปริมาณน้ำฝน forecest ใช้แบบจำลองกระบวนการทางกายภาพตาม การพัฒนาล่าสุดในการประดิษฐ์intellllence และ โดยเฉพาะ เทคนิคเหล่านี้จดจำรูปแบบ อย่างไรก็ตาม มีห้องน้ำในตัวaltemstive วิธีการ Tar พัฒนาของฝนแบบจำลองการคาดการณ์ Artlflclal เครือข่ายประสาท (แอนน์),ซึ่งทำการแมปที่ไม่เชิงเส้นระหว่างอินพุต และเอาต์พุ มีเทคนิคหนึ่งดังกล่าว Preeentedในกระดาษ thii เมตรการ reeults investigst ศึกษา ~ g ประยุกต์ของแอนน์คาดการณ์ในพื้นที่การกระจายของฝนสำหรับลุ่มน้ำการเมือง สามทางชนิดของแอนน์ หลายชั้นได้แก่เครือข่ายประสาท feedforward เครือข่ายระบบประสาทบางส่วนที่เกิดขึ้น และเวลาเครือ ข่ายประสาทล่าช้าระบุ พัฒนา และ ss ในกระดาษนี้ พบการให้คาดคะเนที่สมเหตุสมผลของการฝนความลึกหนึ่งขั้นตอนเวลา iu ล่วงหน้า ข้อกำหนดข้อมูล สำหรับความถูกต้องได้รับและจากทั้งสามประเภทอื่นของ ANNs กล่าวถึง

ผลลัพธ์ (ไทย) 2:

ปริมาณน้ำฝน forecastingia สำคัญสำหรับการใช้งานการจัดการเก็บกักน้ำจำนวนมากใน
โดยเฉพาะอย่างยิ่งสำหรับระบบเตือนภัยน้ำท่วม ความแปรปรวนของปริมาณน้ำฝนใน spsce และเวลา Howeve R, ทำให้
การคาดการณ์ปริมาณน้ำฝน difIicult มาก ความลึกของปริมาณน้ำฝนและ diiribution ใน
มิติเชิงพื้นที่และเวลาขึ้นอยู่กับหลายตัวแปรดัน SS เช่นอุณหภูมิและ
ความเร็วลมและทิศทาง เนื่องจากความซับซ้อนของ proceesea บรรยากาศโดยที่ rainikll เป็น
สร้างขึ้นและ lsck ของข้อมูลที่มีอยู่บนเครื่องชั่งน้ำหนักเวลาและพื้นที่ที่จำเป็นก็ไม่ได้ fessible
ทั่วไป forecest ปริมาณน้ำฝนโดยใช้แบบจำลองกระบวนการตามร่างกาย การพัฒนาล่าสุดในเทียม
intellllence และโดยเฉพาะอย่างยิ่งเทคนิคเหล่านี้มุ่งเป้าไปที่การจดจำรูปแบบอย่างไรให้ EN
ต้าวิธี altemstive การพัฒนารูปแบบการพยากรณ์ปริมาณน้ำฝน เครือข่ายประสาท Artlflclal (แอน)
ซึ่งดำเนินการทำแผนที่ไม่เชิงเส้นระหว่างปัจจัยการผลิตและผลผลิตเป็นหนึ่งในเทคนิคดังกล่าว Preeented
ในกระดาษ thii M reeults ของ investigst ศึกษา ~ กรัมแอพลิเคชันแอนน์ที่จะคาดการณ์เชิงพื้นที่
การกระจายของปริมาณน้ำฝนสำหรับการเก็บกักน้ำในเมือง สามประเภททางเลือกของแอนน์คือหลาย
คราทเครือข่ายประสาทบางส่วนของเครือข่ายประสาทกำเริบและเวลาที่ล่าช้าเครือข่ายประสาทถูก
ระบุพัฒนาและเอสเอสนำเสนอในงานวิจัยนี้พบเพื่อให้การคาดการณ์ที่เหมาะสมของ
ความลึกปริมาณน้ำฝนขั้นตอนหนึ่งที่เวลา IU ล่วงหน้า . ความต้องการข้อมูล และความถูกต้องที่จะได้รับ
จากทั้งสามประเภททางเลือกของการ ANNs ที่จะกล่าวถึง

ผลลัพธ์ (ไทย) 3:

forecastingia ปริมาณน้ำฝนที่สำคัญสำหรับโปรแกรมการจัดการลุ่มน้ำมากมายโดยเฉพาะสำหรับระบบเตือนภัยน้ำท่วม ความแปรปรวนของปริมาณฝน และเวลาใน spsce Howeve R , ให้ ,วิธีการพยากรณ์เชิงปริมาณของน้ำฝนมาก difiicult . ความลึกของน้ำฝนและ diiribution ในกระดูกขมับและมิติเชิงพื้นที่ขึ้นอยู่กับตัวแปรหลายอย่าง เช่น เอสเอส ความดัน อุณหภูมิความเร็วลมและทิศทาง เนื่องจากความซับซ้อนของ proceesea บรรยากาศที่ rainikll คือสร้างและ lsck ของข้อมูลที่มีอยู่ในพื้นที่และเวลาเป็นเครื่องชั่งมันไม่ fessibleโดยทั่วไป forecest ปริมาณน้ำฝนโดยใช้ร่างกายตามกระบวนการแบบ ล่าสุดในการพัฒนาปัญญาประดิษฐ์intellllence และ โดยเฉพาะ เทคนิคเหล่านี้มีวัตถุประสงค์เพื่อการจดจำรูปแบบ อย่างไรก็ตาม ให้และaltemstive เข้าหาทาร์การพัฒนาแบบจำลองพยากรณ์ฝน . โครงข่ายประสาทเทียม artlflclal ( แอน )ซึ่งแสดงแผนที่เชิงเส้นระหว่างอินพุตและเอาต์พุต มีเทคนิคหนึ่งเช่น preeentedในกระดาษ " m reeults การศึกษา investigst ~ G ใช้แอนพยากรณ์เชิงพื้นที่การกระจายของฝนเป็นบางเมือง สามชนิดทางเลือกของแอนน์คือหลายชั้นไปข้างหน้าโครงข่ายประสาทเทียม , บางส่วนดำเนินการเครือข่ายประสาทและเวลาล่าช้าเครือข่ายประสาท คือระบุและพัฒนา , SS ที่นำเสนอในงานวิจัยนี้ พบว่า มีการคาดการณ์ที่เหมาะสมของความลึกน้ำฝนเวลาหนึ่งก้าว ไอยูล่วงหน้า ข้อมูลความต้องการ และความถูกต้องที่มีสิทธิได้รับจากประเภทเหล่านี้ทางเลือกสามทางได้ถูก