Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userPrediction of Daily Precipitation using an Artificial Neural Network Technique combined with Wavelet Decomposition
التنبؤ بالأمطار اليومية باستخدام تقنية الشبكات العصبية الاصطناعية مع التحليل المويجي
3204
2 311
0
(
0
)
Created by
Shamra Editor
Ask ChatGPT about the research
تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية لثلاثة أشهر (كانون الأول، كانون الثاني، شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء (RMSE) و معامل الارتباط (R).
Rainfall is highly non-linear and complicated phenomena, which require nonlinear mathematical modeling and simulation for accurate prediction. This study comparing the performance of the prediction of one-day-ahead, where Two Feed Forward Neural Network FFNN models were developed and implemented to predict the rainfall on daily for three months (December, January, February). These models are Artificial Neural Network traditional (ANN) model and artificial neural network technique combined with wavelet decomposition (Wavelet- Neural) According to two different methods to build a model using two types of wavelets of Daubechies family (db2, db5). In order to compare the performance of the models in their ability to predict the rains on short-term (for one and two and three-days-ahead) the last months of the period of study, used some statistical standards, These parameters include the Root Mean Square Error RMSE, Coefficient Of Correlation (R).
Artificial intelligence review:
Research summary
تعتبر الأمطار من الظواهر غير الخطية المعقدة التي تتطلب نمذجة رياضية غير خطية للتنبؤ بها بدقة. تهدف هذه الدراسة إلى مقارنة أداء نموذجين من الشبكات العصبية الاصطناعية في التنبؤ بالأمطار اليومية لثلاثة أشهر (ديسمبر، يناير، فبراير). النموذجان هما: نموذج الشبكات العصبية التقليدية (ANN) ونموذج الشبكات العصبية مع التحليل المويجي (Wavelet-ANN). تم استخدام نوعين من المويجات من عائلة دويغنز (db2, db5) لبناء النماذج. أظهرت النتائج أن نموذج Wavelet-ANN كان أكثر دقة واستقراراً في التنبؤ بالأمطار ليوم مقدماً مقارنة بنموذج ANN التقليدي. ومع ذلك، انخفضت دقة التنبؤ بشكل ملحوظ مع زيادة فترة التنبؤ. تشير الدراسة إلى الحاجة إلى مزيد من الأبحاث للتعامل مع عدم اليقين في التنبؤ بالطقس وتحسين نماذج ANN.
Critical review
دراسة نقدية: تقدم هذه الدراسة مساهمة قيمة في مجال التنبؤ بالأمطار باستخدام تقنيات الذكاء الاصطناعي والتحليل المويجي. ومع ذلك، يمكن توجيه بعض الملاحظات النقدية لتحسين العمل المستقبلي. أولاً، الدراسة تركز على فترة زمنية محدودة (ثلاثة أشهر) مما قد يحد من تعميم النتائج على فترات زمنية أطول أو على مناطق جغرافية مختلفة. ثانياً، لم يتم التطرق بشكل كافٍ إلى تأثير العوامل المناخية الأخرى مثل الرياح ودرجة الحرارة على دقة التنبؤ. ثالثاً، يمكن تحسين الدراسة من خلال استخدام بيانات أكثر حداثة وتقنيات تعلم آلي متقدمة مثل التعلم العميق. وأخيراً، من المهم إجراء تجارب إضافية للتحقق من استقرار النماذج على مدى فترات زمنية أطول وتحت ظروف مناخية متنوعة.
Questions related to the research
-
ما هي النماذج المستخدمة في الدراسة للتنبؤ بالأمطار؟
تم استخدام نموذجين: نموذج الشبكات العصبية التقليدية (ANN) ونموذج الشبكات العصبية مع التحليل المويجي (Wavelet-ANN).
-
ما هي الفترة الزمنية التي تم التنبؤ بها في الدراسة؟
تم التنبؤ بالأمطار اليومية لثلاثة أشهر (ديسمبر، يناير، فبراير).
-
ما هي النتائج الرئيسية التي توصلت إليها الدراسة؟
أظهرت النتائج أن نموذج Wavelet-ANN كان أكثر دقة واستقراراً في التنبؤ بالأمطار ليوم مقدماً مقارنة بنموذج ANN التقليدي، ولكن دقة التنبؤ انخفضت بشكل ملحوظ مع زيادة فترة التنبؤ.
-
ما هي التوصيات التي قدمتها الدراسة لتحسين التنبؤ بالأمطار؟
أوصت الدراسة بإجراء مزيد من الأبحاث للتعامل مع عدم اليقين في التنبؤ بالطقس وتحسين نماذج ANN، وكذلك استخدام بيانات أكثر حداثة وتقنيات تعلم آلي متقدمة.
References used
SHRIVASTAVA, G; KARMAKAR, S; KOWAR, M. K 2012. Application of Artificial Neural Networks in Weather Forecasting: A Comprehensive Literature Review. International Journal of Computer Applications (0975 – 8887), Vol 51.No.18, 17-29
KIMURA, R2002. Numerical weather prediction. Journal of Wind Engineering and Industrial Aerodynamics 90, 1403–1414. [3]. BUSHARA, N.O; ABRAHAM, A 2013. Computational Intelligence in Weather Forecasting: A Review. Journal of Network and Innovative Computing. ISSN 2160-2174, Vol 1, 320-331
SOMVANSHI, K.V; PANDEY, P.O; AGRAWAL, K.P; KALANKER, V.N; PRAKASH, R.M; CHAND, R 2006. Modelling and prediction of rainfall using artificial neural network and ARIMA techniques. J. Ind. Geophys. Union, Vol.10. No.2, 141- 151
rate research
Read More
Weather forecasting (especially rainfall) is one of the most important and challenging
operational tasks carried out by meteorological services all over the world. Itis furthermore
a complicated procedure that requires multiple specialized fields o
f expertise.
In this paper, a model based on artificial neural networks (ANNs) and wavelet Transform
is proposed as tool to predict consecutive monthly rainfalls (1933-2009) taken of
Homs Meteorological Station on accounts of the preceding events of rainfall data.
The feed-forward neural network with back-propagation Algorithm is used in the
learning and forecasting, where the time series of rain that detailed transactions and the
approximate three levels of analysis using a Discrete wavelet transform (DWT).
The study found that the neural network WNN structured )5-8-8-8-1(, able to predict
the monthly rainfall in Homs station on the long-term correlation of determination and root
mean squared-errors (0.98, 7.74mm), respectively.
Wavelet Transform technique provides a useful feature based on the analysis of the
data, which improves the performance of the model and applied this technique in ANNmodels
for rain because it is simple, as this technique can be applied to other models.
The evaluation of surface water resources is a necessary input to solving water
management problems, which includes finding a relationship between precipitation and
runoff, and this relationship is a high degree of complexity. The rain of the most
important
factors that greatly effect on rivers discharge, and process to prediction of these flows must
take this factor into account, and much of the attention and study, artificial neural networks
and is considered one of the most modern methods in terms of accuracy results in linking
these multiple factors and highly complex. In order to predict the runoff contained daily to
Lake Dam Tishreen 16 in Latakia, the subject of our research, the application of different
models of artificial neural networks (ANN), was the previous input flows and rain.
Divided the data set for the period between (2006-2012) into two sets: training and
test, has been processing the data before using them as inputs to the neural network using
Discrete Wavelet Transform technique, to get rid of the maximum values and the values of
zero, where t the analysis of time series at three levels of accuracy before they are used
sub- series resulting as inputs to the Feed Forward ANN that depend back-propagation
algorithm for training.
The results indicated that with the structural neural network (1-2-6) Wavelet-ANN
model, are the best in the representation of the characteristics studied and best able to
predict runoff daily contained to Lake Dam Tishreen 16 for a day in advance, where he
reached the correlation coefficient the root of the mean of squared-errors (R2 = 0.96,
RMSE = 1.97m3 / sec), respectively.
The stability analysis of coastal structure is very important because it involves many
design parameter s to be considered for the save and economical design of structure.
In the present study neural network technique is adopted to predict the stab
ility
number of rubble mound breakwater.
One model is constructed based on the parameters which influence on the stability of
rubble mound breakwater, the back propagation algorithm is used in training network .
Agood correlation is obtained between network predicted stabilityand estimated
ones.
Correlation coefficient=0.88.
Evapotranspiration is an important component of the
hydrologic cycle, and the accurate prediction of this parameter is
very important for many water resources applications. Thus, the
aim of this study is prediction of monthly reference
evapotranspiration using Artificial Neural Networks (ANNs) and
fuzzy inference system (FIS).
In this paper, we presented a scientific methodicalness in
very short term load forecasting depends on back propagation
artificial neural networks, and we relied upon real data of Syrian
electrical power system.
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
