یادگیری ماشینی در ارزیابی عملکرد مدل های هیدرولوژیکی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 26

تعداد کلمات : 7500

مجله : hydrology

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : بالا

:

تاریخ انتشار
26 مارس 2022
دسته بندی
تعداد بازدیدها
1310 بازدید
36,000 تومان

عنوان فارسی مقاله:یادگیری ماشینی در ارزیابی عملکرد مدل های هیدرولوژیکی

چکیده

  یادگیری ماشینی با موفقیت به عنوان یک ابزار تقریباً در هر زمینه علمی و فناوری به کار گرفته شده است. در هیدرولوژی، مدل‌های یادگیری ماشینی ابتدا به‌عنوان شبکه‌های پیش‌خور ساده که برای پیش‌بینی کوتاه‌مدت مورد استفاده قرار می‌گرفتند، ظاهر شدند و به مدل‌های پیچیده‌ای تبدیل شدند که می‌توانند حتی ویژگی‌های استاتیک حوضه‌ها را با تقلید از تجربه هیدرولوژیکی در نظر بگیرند. مطالعات اخیر نشان داده‌اند که مدل‌های یادگیری ماشینی قوی و کارآمد هستند و اغلب از مدل‌های استاندارد هیدرولوژیکی (هم مفهومی و هم مبتنی بر فیزیکی) بهتر عمل می‌کنند. با این حال، و علی‌رغم برخی تلاش‌های اخیر، نتایج مدل‌های یادگیری ماشین نیازمند تلاش قابل توجهی برای تفسیر و استنتاج است. علاوه بر این، تمام کاربردهای موفق یادگیری ماشین در هیدرولوژی مبتنی بر شبکه هایی با توپولوژی نسبتاً پیچیده است که برای آموزش به توان محاسباتی و زمان CPU قابل توجهی نیاز دارد. به این دلایل، ارزش مدل‌های هیدرولوژیکی استاندارد غیرقابل انکار است. در این مطالعه، ما استفاده از مدل‌های یادگیری ماشین را نه به عنوان جایگزینی برای مدل‌های هیدرولوژیکی، بلکه به عنوان یک ابزار مستقل برای ارزیابی عملکرد آنها پیشنهاد می‌کنیم. ما استدلال می‌کنیم که این رویکرد می‌تواند به آشکارسازی ناهنجاری‌ها در داده‌های حوضه که در ساختار یا پیکربندی مدل هیدرولوژیکی به کار گرفته نمی‌شوند، کمک کند و بدون به خطر انداختن درک فرآیندهای فیزیکی زیربنایی، با آنها مقابله کند(عملکرد مدل های هیدرولوژیکی).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Machine Learning in Assessing the Performance of Hydrological Models

Abstract

 Machine learning has been employed successfully as a tool virtually in every scientific and technological field. In hydrology, machine learning models first appeared as simple feed-forward networks that were used for short-term forecasting, and have evolved into complex models that can take into account even the static features of catchments, imitating the hydrological experience. Recent studies have found machine learning models to be robust and efficient, frequently outperforming the standard hydrological models (both conceptual and physically based). However, and despite some recent efforts, the results of the machine learning models require significant effort to interpret and derive inferences. Furthermore, all successful applications of machine learning in hydrology are based on networks of fairly complex topology that require significant computational power and CPU time to train. For these reasons, the value of the standard hydrological models remains indisputable. In this study, we suggest employing machine learning models not as a substitute for hydrological models, but as an independent tool to assess their performance. We argue that this approach can help to unveil the anomalies in catchment data that do not fit in the employed hydrological model structure or configuration, and to deal with them without compromising the understanding of the underlying physical processes.