Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Journal of Water and Land Development

1 2017

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: maszyna uczenia ekstremalnego (ELM)

Sortuj według:

Ogranicz wyniki do:

Assessing the suitability of extreme learning machines (ELM) for groundwater level prediction

Yadav B., Ch S., Mathur S., Adamowski J.

Journal of Water and Land Development

2017

no. 32

103--112

Fluctuation of groundwater levels around the world is an important theme in hydrological research. Rising water demand, faulty irrigation practices, mismanagement of soil and uncontrolled exploitation of aquifers are some of the reasons why groundwater levels are fluctuating. In order to effectively manage groundwater resources, it is important to have accurate readings and forecasts of groundwater levels. Due to the uncertain and complex nature of groundwater systems, the development of soft computing techniques (data-driven models) in the field of hydrology has significant potential. This study employs two soft computing techniques, namely, extreme learning machine (ELM) and support vector machine (SVM) to forecast groundwater levels at two observation wells located in Canada. A monthly data set of eight years from 2006 to 2014 consisting of both hydrological and meteorological parameters (rainfall, temperature, evapotranspiration and groundwater level) was used for the comparative study of the models. These variables were used in various combinations for univariate and multivariate analysis of the models. The study demonstrates that the proposed ELM model has better forecasting ability compared to the SVM model for monthly groundwater level forecasting.

Na całym świecie fluktuacje poziomów wód gruntowych stanowią ważny temat badań hydrologicznych. Rosnące potrzeby wodne, błędne praktyki irygacyjne, niewłaściwa gospodarka glebowa i niekontrolowana eksploatacja poziomów wodonośnych są powodami, dla których poziom wód gruntowych podlega fluktuacjom. Dla skutecznego zarządzania zasobami wód gruntowych istotne jest dysponowanie dokładnymi zapiskami i zdolność prognozowania poziomu tych wód. Rozwój technik komputerowych (modele wykorzystujące dane) w dziedzinie hydrologii ma istotny potencjał z powodu niepewnego i złożonego charakteru systemów wód gruntowych. W prezentowanych badaniach wykorzystano dwie techniki komputerowe: maszynę uczenia ekstremalnego (ELM) i maszynę wektorów nośnych (SVM – ang. support vector machine) do przewidywania poziomów wód gruntowych w dwóch studzienkach obserwacyjnych w Kanadzie. Do porównawczych badań modeli wykorzystano zestaw danych miesięcznych z ośmiu lat (2006–2014), składający się z danych hydrologicznych i meteorologicznych (opady, temperatura, ewapotranspiracja, poziom wody). Wymienione zmienne zastosowano w rozmaitych kombinacjach do jedno- i wieloparametrycznej analizy modeli. Wyniki dowodzą, że model ELM ma lepsze zdolności przewidywania miesięcznych poziomów wód gruntowych w porównaniu z modelem SVM.