Data-Driven Modeling: Using MATLAB® in Water Resources and Environmental Engineering

«مدل‌سازی مبتنی بر داده: استفاده از MATLAB® در منابع آب و مهندسی محیط‌زیست» گزارشی نظام‌مند از مفاهیم و روش‌های اصلی برای مدل‌های مبتنی بر داده ارائه می‌دهد و چارچوبی یکپارچه ارائه می‌دهد که موضوع را در دسترس‌تر و کاربردی‌تر می‌کند. برای محققان و متخصصان این نظریه ها و کاربردهای مهم مدل های داده محور را ادغام می کند و از آنها برای مقابله با طیف گسترده ای از مشکلات در زمینه منابع آب و مهندسی محیط زیست مانند پیش بینی هیدرولوژیکی، تجزیه و تحلیل سیل، پایش کیفیت آب، منطقه ای کردن داده های اقلیمی و عملکرد کلی استفاده می کند. تقریب
کتاب مدل‌های مبتنی بر آماری شامل تحلیل‌های آماری پایه، روش‌های رگرسیون ناپارامتریک و لجستیک، تحلیل و مدل‌سازی سری‌های زمانی و ماشین‌های بردار پشتیبان را ارائه می‌کند. همچنین به تحلیل و مدل‌سازی مبتنی بر تکنیک‌های هوش مصنوعی از جمله شبکه‌های عصبی استاتیک و پویا، شبکه‌های عصبی آماری، سیستم‌های استنتاج فازی و رگرسیون فازی می‌پردازد. این کتاب همچنین مدل‌های ترکیبی و همچنین ترکیب داده‌های چند مدلی را برای جمع‌بندی مدل‌ها و تکنیک‌های تحت پوشش مورد بحث قرار می‌دهد.
فایل‌های منبع برنامه‌های نسبتاً ساده و پیشرفته که نحوه استفاده از مدل‌ها را نشان می‌دهند همراه با توصیه‌های عملی در مورد نحوه به کارگیری بهترین آنها ارائه شده‌اند. برنامه هایی که با استفاده از پلتفرم یکپارچه MATLAB توسعه داده شده اند را می توان در extras.springer.com یافت.
مخاطبان اصلی این کتاب دانشجویان کارشناسی ارشد مهندسی منابع آب، مهندسی محیط زیست، مهندسی کشاورزی و مهندسی منابع طبیعی هستند. این کتاب ممکن است برای استفاده به عنوان یک کتاب درسی ارشد و کارشناسی ارشد با تمرکز بر موضوعات انتخاب شده اقتباس شود. متناوبا، همچنین ممکن است به عنوان یک کتاب منبع با ارزش برای مهندسین شاغل، مهندسان مشاور، دانشمندان و سایر افراد درگیر در منابع آب و مهندسی محیط زیست استفاده شود.

“Data-Driven Modeling: Using MATLAB® in Water Resources and Environmental Engineering” provides a systematic account of major concepts and methodologies for data-driven models and presents a unified framework that makes the subject more accessible to and applicable for researchers and practitioners. It integrates important theories and applications of data-driven models and uses them to deal with a wide range of problems in the field of water resources and environmental engineering such as hydrological forecasting, flood analysis, water quality monitoring, regionalizing climatic data, and general function approximation.
The book presents the statistical-based models including basic statistical analysis, nonparametric and logistic regression methods, time series analysis and modeling, and support vector machines. It also deals with the analysis and modeling based on artificial intelligence techniques including static and dynamic neural networks, statistical neural networks, fuzzy inference systems, and fuzzy regression. The book also discusses hybrid models as well as multi-model data fusion to wrap up the covered models and techniques.
The source files of relatively simple and advanced programs demonstrating how to use the models are presented together with practical advice on how to best apply them. The programs, which have been developed using the MATLAB® unified platform, can be found on extras.springer.com.
The main audience of this book includes graduate students in water resources engineering, environmental engineering, agricultural engineering, and natural resources engineering. This book may be adapted for use as a senior undergraduate and graduate textbook by focusing on selected topics. Alternatively, it may also be used as a valuable resource book for practicing engineers, consulting engineers, scientists and others involved in water resources and environmental engineering.