light box
امتیاز 2.58 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
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ،

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).

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.

دیدگاهها بسته است.

محصولات مشابه
کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
خـریـد محـصـول
مرزهای جدید در مدیریت سرطان رکتوم اولیه و پیشرفته
خـریـد محـصـول
ریسک میوکاردیت و پریکاردیت در بزرگسالان جوان به دنبال واکسیناسیون mRNA COVID-19
خـریـد محـصـول
بروز میوکاردیت و پریکاردیت در بیماران واکسینه نشده پس از کووید-۱۹
خـریـد محـصـول
الگوریتم ازدحام آفتاب پرست کارآمد برای مسئله توزیع بار اقتصادی
خـریـد محـصـول
فرآیند بازآفرینی شهری: مورد یک مجتمع مسکونی در حومه رم، ایتالیا
خـریـد محـصـول
رابطه پویا بین شاخص سهام و قیمت دارایی: تجزیه و تحلیل بلندمدت
خـریـد محـصـول
تشخیص بیماری پوسیدگی طوقه در گندم در شرایط محیطی کنترل شده
خـریـد محـصـول
بکارگیری بهینه سازی برای حمایت از مدیریت تطبیقی آب رودخانه ها
خـریـد محـصـول
ارزیابی تأثیر آموزش زیست محیطی بر رفتار سازگار با محیط زیست
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

 
برو بالا