PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2013 | 45 | 1 |
Tytuł artykułu

Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed with limited data in Uttaranchal, India

Autorzy
Treść / Zawartość
Warianty tytułu
PL
Wykorzystanie wektorów wspierających w zależnościach regresyjnych do prognozowania odpływu bezpośredniego i całkowitego w zlewniach górskich przy ograniczonej liczbie danych w zlewni Uttaranchal, Indie
Języki publikacji
EN
Abstrakty
EN
In the ecologically sensitive Himalayan region, land transformations and utilization of natural resources have modified water flow patterns. To ascertain future sustainable water supply it is necessary to predict water flow from the watersheds as affected by rainfall and morphological parameters. Although such predictions may be made using available process-based models, in mountainous and hilly areas it is extremely difficult to determine the numerous parameters needed to run such models, thus limiting their applicability. Artificial intelligence (AI) based models are a possible alternative in such circumstances. In this study an AI technique, support vector machines (SVM), was used for modeling the rainfall-runoff relationship from three hilly watersheds in the state of Uttaranchal, India. Different SVM models were developed to predict direct runoff, base flow, and total flow based on the daily rainfall, runoff, and morphological parameters collected from each watershed. The results confirm the potential of SVM models in the prediction of runoff, base flow, and total flow in hilly areas.
PL
Na obszarach wrażliwych, jakim są Himalaje, zmiany w wykorzystaniu powierzchni obszarów górskich oraz zasobów przyrodniczych modyfikują warunki kształtowania się odpływu. Dla zrównoważonego gospodarowania zasobami wodnymi w tym regionie koniecznym jest prognozowanie odpływu ze zlewni na podstawie opadu i warunków morfologicznych obszaru. Prognozowanie odpływu przy wykorzystaniu modeli deterministycznych jest dosyć trudne i ograniczone ze względu na trudności w identyfi kacji wielu parametrów. W pracy zastosowano modele wykorzystujące techniki sztucznej inteligencji (AI) za pomocą wektorów wspierających (SVM) jako alternatywę do modelowania zależności opadodpływ dla trzech zlewni górskich w stanie Uttaranchal, Indie. Wyniki zawarte w pracy potwierdzają możliwość wykorzystanie metody SVM do prognozowania charakterystycznych wielkości odpływu w warunkach górskich.
Słowa kluczowe
Wydawca
-
Rocznik
Tom
45
Numer
1
Opis fizyczny
p.71-83,fig.,ref.
Twórcy
autor
  • Department of Bioresource Engineering, Faculty of Agricultural and Environmental Sciences, McGill University, 21111 Lakeshore Road, Ste-Anne de Bellevue, Que., H9X 3V9 Canada
Bibliografia
  • ADAMOWSKI J. 2008. Development of a short-term river flood forecasting method for snowmelt driven floods based on wavelet and cross-wavelet analysis. Journal of Hydrology 353, 247-266.
  • ADAMOWSKI J., SUN K. 2010: Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology 390, 85-91.
  • ASEFA T., KEMBLOWSKI M., MCKEE M., KHALIL A. 2005: Multi-time scale stream flow predictions: The support vector machines approach. Journal of Hydrology 318: 7-16.
  • BRAY M., HAN D. 2004: Identification of support vector machine for runoff modeling. Journal of Hydroinformatics 6 (4), 265-280.
  • BEHZAD M., ASGHARI K., EAZI M., PALHANG M. 2009: Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with Applications 36, 7624-7629.
  • BURGES C. 1998. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery 2 (2), 121-167.
  • C ASTELL ANO-MÉNDEZM., GONZÁLEZ--MANTEIGAW., FEBRERO-BANDEM., PRADA-SANCHEZ J.M. LOZANO-CALDERON R. 2004: Modelling of the monthly and daily behavior of the runoff of the Xallas River using Box-Jenkins and Neural Networks methods. Journal of Hydrology 296 (1): 38-58.
  • CHANG C., LIN C. 2001: LIBSVM: a library for support vector machines. http://www. csie.ntu.edu.tw/~cjlin/libsvm/. [Last Modification 4.03.2313].
  • CRISTIANINI N., SHAWE-TAYLOR J. 2000: An Introduction to support vector machines and other Kernel-based learning methods. Cambridge University Press, New York.
  • DIBIKE Y.B., VELICKOV S., SOLOMA-TINE D., ABBOTT M.B. 2001: Model induction with support vector machines. ASCE Journal of Computing in Civil Engineering 15 (3), 208-216.
  • GAUTAM M.R., WATANABE K., SEAGU-SA H. 2000: Runoff analysis in humid forest catchment with Artificial Neural Network. Journal of Hydrology 235, 117-136.
  • GUNN S. 1998: Support vector machines for classification and regression. Technical report, ISIS, Department of Electronics and Computer Science, University of Southampton, Southhampton.
  • JAIN A., PRASAD INDURTHY S.K.V. 2003: Comparative analysis of event-based rainfall-runoff modeling techniques-deterministic, statistical, and Artificial Neural Networks. Journal of Hydrologic Engineering 8 (2), 93-98.
  • KOBAYASHI K., SAL AM M.U. 2000: Comparing Simulated and measured values using mean squared deviation and its components. Agronomy Journal 92, 345-352.
  • LeROY P.N., TOKAR A.S., JOHNSON P.A. 1996: Stream hydrological and ecological response to climate change assessed with an Artificial Neural Network. Limnology and Oceanography 41 (5), 857-864.
  • MUKHERJEE S., OSUNA E., GIROSI F. 1997: Nonlinear prediction of chaotic time series using support vector machines. Proceedings of IEEE NNSP VII, 24-26. 09.1997 Amelia Island, 511-520.
  • NILSSON P., UVO C., BERNDTSSON R. 2005: Monthly runoff simulation: comparing and combining conceptual and neural network models. Journal of Hydrology 321 (4): 344-363.
  • SAMRA J.S., DHYANI B.S., SHARMA A.R. 1999: Problems and prospects of natural resource management in Indian Himalayas - a base paper. Hill and Mountain Agro-Ecosystem Directorate, NATP. CSWCRTI, 218 Kaulagarh Road, Dehradun.
  • SCHMOLA A. SCHOLKOPF A. 1998: A Tutorial on Support Vector Regression, NeuroCOLT2 Technical Report NC2-T-R-1998-030.
  • SHARDA V.N., PATEL R.M., PRA-SHER S.O., OJASVI P.R., PRAKASH C. 2006: Modeling runoff from middle Himalayan watersheds employing artificial intelligence techniques. Journal of Agricultural Water Management 83, 233-242.
  • SMITH J., ELI R.N. 1996: Neural-network models of rainfall-runoff process. Journal of Water Resources Planning and Management 121 (6), 499-608.
  • TOKAR A.S., JOHNSON P.A. 1999: Rainfall-runoff modeling using Artificial Neural networks. Journal of Hydrologic Engineering 4 (3), 232-239.
  • Vapnik V 1995: The Nature of Statistical Learning Theory. Springer Verlag, New York.
  • WANG W., CHAU K., CHENG C., QIU L. 2009: A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology 374, 294-306.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.agro-195635e8-e58f-4ff8-890f-4052a6bd52e2
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.