Hydrological Data Driven Modelling: A Case Study Approach

این کتاب قلمرو جدیدی را در مدل‌سازی مبتنی بر داده با کاربردهای هیدرولوژی بررسی می‌کند. با پیگیری یک رویکرد مطالعه موردی، ارزیابی دقیقی از روش‌های انتخاب ورودی پیشرفته بر اساس آزمایش‌های دقیق و جامع و مطالعات تطبیقی ​​ارائه می‌کند که از تکنیک‌های ترکیبی نوظهور برای مدل‌سازی و تحلیل استفاده می‌کند. محاسبات پیشرفته طیف وسیعی از گزینه‌های جدید را برای مدل‌سازی هیدرولوژیکی با کمک رویکردهای ریاضی و مبتنی بر داده مانند موجک‌ها، شبکه‌های عصبی، منطق فازی و ماشین‌های بردار پشتیبانی ارائه می‌دهد. اخیراً تکنیک‌های یادگیری ماشین/هوش مصنوعی برای مدل‌سازی سری‌های زمانی مورد استفاده قرار گرفته‌اند. با این حال، اگرچه مطالعات اولیه نشان داده است که این رویکرد موثر است، اما هنوز نگرانی‌هایی در مورد دقت و توانایی آنها برای پیش‌بینی در یک فضای ورودی انتخاب شده وجود دارد.

This book explores a new realm in data-based modeling with applications to hydrology. Pursuing a case study approach, it presents a rigorous evaluation of state-of-the-art input selection methods on the basis of detailed and comprehensive experimentation and comparative studies that employ emerging hybrid techniques for modeling and analysis. Advanced computing offers a range of new options for hydrologic modeling with the help of mathematical and data-based approaches like wavelets, neural networks, fuzzy logic, and support vector machines. Recently machine learning/artificial intelligence techniques have come to be used for time series modeling. However, though initial studies have shown this approach to be effective, there are still concerns about their accuracy and ability to make predictions on a selected input space.