This paper focuses on configuring A

This paper focuses on configuring ANN for inundation
areas identification based on various flood
causative factors (Fig 2), which were selected based
on knowledge acquired from during our preliminary
on-site survey [4]. There were indeed many recent
studies that adopted MLP and RBF in flood prediction
[5-9]. What these techniques had in common
is that they built a model which predicts runoff
(or discharge) from rainfall, without taking into
account other flood causative factors. Moreover,
their common deficit is that prediction could only
be made at watersheds and where gauging stations
exist (typically sparse). This limited coverage as a
result constrains the inundation areas being identifiable
merely at locations where water level can be
measured. Nonetheless in their own right, both MLP
and RBF are versatile and have a strong merit as
prediction network if properly implemented. Compared
with other ANN based methods, many studies
[10-13] have confirmed MLP and RBF superior
accuracy over, for instance, LVQ and others. The
Adaptive Resonance Theory (ART) neural network,
despite its simplicity, are not fully developed and currently
criticized for its statistical inconsistency and
high de-pendency on the order in which the data are
processed. Furthermore, we have previously reported
[4] that when benchmarked against prominent learning
based systems, the ANN outperformed GA, SOM
and Fuzzy Logic in terms of flood prediction accuracy
and model generalization. Consider the Self Organizing
Map (SOM) for example; it could predict the
flood no better than an educated guess, and hence
not particularly useful. After closer inspection into
our raw data, it was revealed that in those cases
the over-fitting had overruled model generalization.
More specifically, SOM ranked Terrain Height as almost
the least significant factor due to the fact that
Pathumthani terrain is generally flat; therefore flood
probability was considered by SOM to be more dependent
on other factors. This is however, not the
case in some areas that survived the flood, mostly due
to its relatively raised level. Discussion on shortcomings
of the remaining techniques can also be found in
[4]. Last but not least, research in MLP and RBF
are relatively matured and as such they are currently
widely accessible to hydrological organizations, whose
prolonged learning curve in adopting cutting edge AI
paradigm could cause an adverse effect for unhindered
risk management.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เน้นการตั้งค่าคอนฟิกแอนสำหรับ inundationรหัสพื้นที่ตามน้ำท่วมต่าง ๆสาเหตุการปัจจัย (ฟิก 2), ซึ่งถูกเลือกอยู่ความรู้ที่ได้มาจากในเบื้องต้นของเราบริการสำรวจ [4] มีแน่นอนมากล่าสุดการศึกษาที่นำ MLP และ RBF ในทำนายน้ำท่วม[5-9] ว่าเทคนิคเหล่านี้มีกันเป็นที่สร้างรูปแบบการทำนายที่ไหลบ่า(หรือถ่าย) จากปริมาณน้ำฝน โดยไม่ต้องพิจารณาบัญชีอื่น ๆ ปัจจัยสาเหตุการน้ำท่วม นอกจากนี้ดุลของทั่วไปเป็นที่คาดเดาได้เท่านั้นมีรูปธรรมและ gauging สถานีที่มีอยู่ (โดยทั่วไปบ่อ) นี้จำกัดความครอบคลุมเป็นการผลจำกัดพื้นที่ inundation ระบุสถานที่ระดับน้ำได้ที่ห้องวัด กระนั้นในตนขวา MLP ทั้งและ RBF มีหลากหลาย และมีเข้มแข็งบุญเครือข่ายทำนายถ้าใช้อย่างถูกต้อง การเปรียบเทียบกับแอนอื่น ๆ ตามวิธีการ การศึกษามากมาย[10-13] ได้ยืนยันห้อง RBF และ MLPความถูกต้องมากกว่า เช่น LVQ และอื่น ๆ ที่ปรับทฤษฎีการสั่นพ้อง (ศิลปะ) โครงข่ายประสาทแม้ มีความเรียบง่าย ไม่เต็มพัฒนา และปัจจุบันวิพากษ์วิจารณ์สำหรับความไม่สอดคล้องทางสถิติ และเดอ pendency สูงบนใบสั่งที่มีข้อมูลการประมวลผล นอกจากนี้ เราได้เคยรายงาน[4] ซึ่งเมื่อ benchmarked กับการเรียนรู้ที่โดดเด่นตามระบบ แอนที่ outperformed GA ส้มและตรรกศาสตร์ในความถูกต้องในการทำนายน้ำท่วมและรูปแบบ generalization พิจารณาการจัดระเบียบตัวเองแผนที่ (ส้ม) เช่น มันสามารถทำนายการน้ำท่วมไม่ดีกว่าการเดา และดังนั้นไม่มีประโยชน์อย่างยิ่ง หลังจากตรวจสอบใกล้ชิดเป็นข้อมูลดิบ ไม่เปิดเผยซึ่งในกรณีดังกล่าวเหมาะสมเกินมาแทนรุ่น generalizationอื่น ๆ โดยเฉพาะ ส้มจัดอันดับความสูงภูมิประเทศเกือบปัจจัยสำคัญน้อยที่สุดเนื่องจากข้อเท็จจริงที่ว่าภูมิประเทศของจังหวัดปทุมธานีถูกแบนโดยทั่วไป ดังนั้น น้ำท่วมความน่าเป็นถูกพิจารณา โดยส้มให้มากขึ้นในปัจจัยอื่น ๆ ไม่อย่างไรก็ตาม การกรณีในบางพื้นที่ที่รอดชีวิตน้ำท่วม ครบกำหนดส่วนใหญ่ระดับการยกขึ้นค่อนข้าง สนทนาแสดงเทคนิคที่เหลือยังสามารถพบได้ใน[4] . สุดท้ายแต่ไม่น้อย วิจัย MLP และ RBFมี matured ค่อนข้าง เป็นเช่นพวกเขาอยู่กันอย่างแพร่หลายถึงองค์กรด้านชลศาสตร์ มีเส้นโค้งการเรียนรู้นานในใช้ตัดขอบ AIกระบวนทัศน์อาจก่อให้เกิดผลเสียต่อสำหรับนพาวเวอร์การจัดการความเสี่ยง

ผลลัพธ์ (ไทย) 2:

บทความนี้มุ่งเน้นไปที่การกำหนดค่า ANN
สำหรับน้ำท่วมประจำตัวประชาชนในพื้นที่น้ำท่วมอยู่บนพื้นฐานต่างๆปัจจัยที่ก่อให้เกิด
(รูปที่ 2)
ซึ่งได้รับการคัดเลือกขึ้นอยู่กับความรู้ที่ได้มาจากในช่วงเบื้องต้นการสำรวจในสถานที่
[4] มีแน่นอนที่ผ่านมาหลายคนการศึกษาที่นำมาใช้ MLP และ RBF ในการทำนายน้ำท่วม [5-9] สิ่งเหล่านี้มีเทคนิคในการร่วมกันคือการที่พวกเขาสร้างแบบจำลองการคาดการณ์ที่ไหลบ่า(หรือปล่อย) จากปริมาณน้ำฝนโดยไม่ต้องคำนึงถึงปัจจัยอื่นๆ ที่ก่อให้เกิดน้ำท่วม นอกจากนี้การขาดดุลที่พบบ่อยของพวกเขาคือการคาดการณ์ว่าจะสามารถทำที่แหล่งต้นน้ำและที่สถานีวัดอยู่(ปกติเบาบาง) ความคุ้มครองที่ จำกัด นี้เป็นผลมาจากข้อจำกัด ในพื้นที่น้ำท่วมที่มีการระบุตัวเพียงในสถานที่ที่ระดับน้ำสามารถวัด อย่างไรก็ตามในสิทธิของตนเองทั้ง MLP และ RBF มีหลากหลายและมีบุญที่แข็งแกร่งเป็นเครือข่ายการทำนายหากดำเนินการอย่างถูก เมื่อเทียบกับวิธีการอื่น ๆ ตาม ANN การศึกษาจำนวนมาก [10-13] ได้รับการยืนยัน MLP RBF ที่เหนือกว่าและความถูกต้องมากกว่าเช่นLVQ และอื่น ๆ ทฤษฎี Adaptive Resonance (ART) เครือข่ายประสาทแม้จะมีความเรียบง่ายไม่ได้รับการพัฒนาอย่างเต็มที่และขณะนี้การวิพากษ์วิจารณ์ความไม่สอดคล้องกันทางสถิติและที่สูงde-pendency ในลำดับที่ข้อมูลจะถูกประมวลผล นอกจากนี้เราได้มีการรายงานก่อนหน้านี้[4] ว่าเมื่อเทียบกับการเรียนรู้ที่โดดเด่นตามระบบที่แอนเฮงGA, SOM และตรรกศาสตร์ในแง่ของความถูกต้องคาดการณ์น้ำท่วมและรูปแบบทั่วไป พิจารณาการจัดระเบียบตัวเองแผนที่ (SOM) เช่น; มันอาจจะคาดการณ์น้ำท่วมไม่ดีกว่าเดาการศึกษาและด้วยเหตุนี้ไม่ได้มีประโยชน์โดยเฉพาะอย่างยิ่ง หลังจากที่ตรวจสอบใกล้ชิดเข้าข้อมูลดิบของเรามันก็ถูกเปิดเผยว่าในกรณีดังกล่าวในช่วงกระชับได้รูปแบบทั่วไปตก. โดยเฉพาะอย่างยิ่งการจัดอันดับ SOM ความสูงภูมิประเทศเกือบน้อยปัจจัยสำคัญอันเนื่องมาจากความจริงที่ว่าภูมิประเทศโดยทั่วไปปทุมธานีแบน ดังนั้นน้ำท่วมน่าจะได้รับการพิจารณาโดย SOM จะเป็นมากขึ้นอยู่กับปัจจัยอื่นๆ นี้เป็น แต่ไม่ได้เป็นกรณีที่ในบางพื้นที่ที่รอดน้ำท่วมส่วนใหญ่เนื่องจากให้อยู่ในระดับที่ค่อนข้างยกของ การหารือเกี่ยวกับข้อบกพร่องของเทคนิคที่เหลือยังสามารถพบได้ใน[4] สุดท้าย แต่ไม่น้อยการวิจัยใน MLP RBF และจะครบกำหนดค่อนข้างและเป็นเช่นที่พวกเขามีอยู่ในปัจจุบันสามารถเข้าถึงได้อย่างกว้างขวางให้กับองค์กรอุทกวิทยาที่มีการเรียนรู้เป็นเวลานานในการนำตัดขอบAI กระบวนทัศน์อาจก่อให้เกิดผลกระทบไม่ จำกัด สำหรับการบริหารความเสี่ยง

ผลลัพธ์ (ไทย) 3:

กระดาษนี้จะเน้นที่การปรับแต่ง แอน ให้ท่วมพื้นที่ประชาชนตามต่าง ๆ

~ ( มะเดื่อปัจจัยน้ำท่วม 2 ) ซึ่งได้รับการคัดเลือกจากความรู้ที่ได้มาจากช่วงของเรา

ในการสำรวจเบื้องต้น [ 4 ] มีแน่นอนหลายล่าสุด
การศึกษาที่ใช้ในการทำนายและ MLP ฐาน
น้ำท่วม [ 5-9 ] อะไรเทคนิคเหล่านี้มีเหมือนกันคือว่าพวกเขาสร้างโมเดล

ซึ่งคาดการณ์ปริมาณน้ำท่า( ระบาย ) จากปริมาณฝน โดยไม่ต้องจดลงในบัญชีอื่น ๆปัจจัยน้ำท่วม
~ . นอกจากนี้ การขาดดุลของพวกเขาที่พบบ่อยคือ การทำนาย

จะได้แค่ทำในลุ่มน้ำ และที่สถานีวัดน้ำท่า
อยู่ ( ป่าโปร่งทั่วไป ) นี้ จำกัด ครอบคลุมเป็น
ผลจำกัดพื้นที่ท่วมถูกระบุ
เพียงบริเวณที่สามารถวัดระดับน้ำ
. อย่างไรก็ตาม ในด้านขวาของตนเองทั้งฐานและ MLP
มีหลากหลายและมีคุณธรรมแข็งแกร่ง
เครือข่ายการทำนาย ถ้าถูกนำมาใช้ เมื่อเทียบกับอื่น ๆใช้วิธีแอน

[ 5 ] หลายการศึกษาได้ยืนยันความถูกต้องมากกว่าและเหนือกว่า
MLP สำเร็จรูป เช่น lvq และอื่น ๆ
ปรับทฤษฎีเรโซแนนซ์ ( ศิลปะ ) , โครงข่ายประสาท
แม้จะมีความเรียบง่าย ไม่พัฒนาเต็มที่และขณะนี้
การวิจารณ์ของสถิติและ
สูง เดอ pendency ในการสั่งซื้อซึ่งข้อมูล
ประมวลผล นอกจากนี้ มีรายงานว่า ก่อนหน้านี้
[ 4 ] เมื่อเทียบกับการเรียนที่โดดเด่น
ตามระบบ แอนใน GA , som
และฟัซซีลอจิกในแง่ของความถูกต้อง และรูปแบบการทำนายน้ำท่วม
. พิจารณาตนเองจัด
แผนที่ ( ส้ม ) ตัวอย่างเช่นมันสามารถทำนาย
น้ำท่วมดีกว่าเดาการศึกษา ดังนั้น
เป็นประโยชน์ไม่เฉพาะ หลังจากตรวจสอบใกล้ชิดใน
ข้อมูลดิบของเรา พบว่า ใน กรณี ผู้ที่เหมาะสมได้มากกว่าแพ้แบบ

นัยทั่วไปมากขึ้นโดยเฉพาะส้มอันดับความสูงภูมิประเทศเป็นเกือบ
ปัจจัยอย่างน้อยอย่างมีนัยสำคัญเนื่องจาก
ปทุมธานี ภูมิประเทศโดยทั่วไปเป็นที่ราบน้ำท่วม
; ดังนั้นความน่าจะเป็น คือ พิจารณาโดยซึ่งจะขึ้นอยู่กับมากขึ้น
เกี่ยวกับปัจจัยอื่น ๆ อย่างไรก็ตาม ไม่ใช่
กรณีในบางพื้นที่ ที่รอดพ้นจากน้ำท่วม ส่วนใหญ่เนื่องจากของค่อนข้างยก
) การอภิปรายเกี่ยวกับข้อบกพร่อง
ในเทคนิคที่เหลือยังสามารถพบได้ใน
[ 4 ] สุดท้ายแต่ไม่ท้ายสุด และการวิจัยใน MLP RBF
จะค่อนข้างเป็นผู้ใหญ่และเป็นเช่นพวกเขากำลัง
เข้าถึงได้แพร่หลายไปยังองค์กรอุทกวิทยาที่มี
นานเส้นโค้งการเรียนรู้ในการตัดขอบ AI
กระบวนทัศน์อาจก่อให้เกิดผลกระทบกับการบริหารจัดการความเสี่ยงอัน