• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Canadian Water Resources Journal >Regional monthly runoff forecast in southern Canada using ANN, K-means, and L-moments techniques
【24h】

Regional monthly runoff forecast in southern Canada using ANN, K-means, and L-moments techniques

机译：使用ANN，K均值和L矩技术对加拿大南部地区的每月径流进行预测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

River runoff forecasting is necessary for numerous applications related to water use, including water supply management, power generation and flooding protection measures. In this study, a regional model using an artificial neural network (ANN) is proposed for monthly runoff forecasting, which considers stations linked to the network that belong to the same homogeneous region, and are delimited using K-means (KM-ANN) and L-moments (LM-ANN) techniques. This methodology was applied to a sample of 90 monthly runoff series in southern Canada. The results were compared to those of a traditional neural network for a given site (ANNs) using statistical indices, such as root-mean-squared error (RMSE), relative square error (RSE), mean absolute error (MAE), relative absolute error (RAE), the concordance index (d) and the coefficient of determination (r(2)). The LM-ANN technique produced better forecasts in 56.7% of the analysed stations, whereas the KM-ANN and ANN techniques produced better forecasts in 27.7% and 15.6% of the stations, respectively. Thus, the results indicate that the regionalisation process improved the forecasts in 84.4% of the studied cases, and the estimation uncertainty was reduced by an average of 31.8%, according to the RMSE, RSE, MAE and RAE values. Therefore, its application is recommended in Canada, where it would be useful for the Integrated Water Resources Management Program.
机译：对于与水有关的众多应用，包括供水管理，发电和防洪措施，必须进行河流径流预报。在这项研究中，提出了使用人工神经网络（ANN）的区域模型进行月径流量预测，该模型考虑了与网络链接的属于相同同质区域的站点，并使用K均值（KM-ANN）进行了定界。 L矩（LM-ANN）技术。该方法应用于加拿大南部90个月径流序列的样本。使用统计指标将结果与给定站点（ANN）的传统神经网络的结果进行比较，这些统计指标包括均方根误差（RMSE），相对平方误差（RSE），平均绝对误差（MAE），相对绝对误差误差（RAE），一致性指标（d）和确定系数（r（2））。 LM-ANN技术在所分析的台站中产生了更好的预报，占56.7％，而KM-ANN和ANN技术分别在所分析的台站中产生了更好的预报，分别为27.7％和15.6％。因此，结果表明，根据RMSE，RSE，MAE和RAE值，区域化过程改善了84.4％的研究案例的预测，并且估计不确定性平均降低了31.8％。因此，建议在加拿大使用它，这对综合水资源管理计划很有用。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号