مشخصات کتاب

Refining the committee approach and uncertainty prediction in hydrological modelling

ویرایش:  
نویسندگان: Kayastha. N  
سری: UNESCO-IHE PhD Thesis 
ISBN (شابک) : 9781138027466, 1138027464 
ناشر: CRC Press/Balkema 
سال نشر: 2015 
تعداد صفحات: 213 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت 

در صورت تبدیل فایل کتاب Refining the committee approach and uncertainty prediction in hydrological modelling به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب پالایش رویکرد کمیته و پیش‌بینی عدم قطعیت در مدل‌سازی هیدرولوژیکی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب پالایش رویکرد کمیته و پیش‌بینی عدم قطعیت در مدل‌سازی هیدرولوژیکی



با توجه به پیچیدگی سیستم های هیدرولوژیکی، ممکن است یک مدل واحد نتواند طیف کامل یک پاسخ حوضه را به تصویر بکشد و جریان های جریان را به طور دقیق پیش بینی کند. راه حل می تواند استفاده از چندین مدل تخصصی سازماندهی شده در به اصطلاح کمیته ها باشد. پالایش رویکرد کمیته یکی از موضوعات مهم این مطالعه است و نشان داده شده است که امکان افزایش قابلیت پیش‌بینی مدل‌ها را فراهم می‌کند.

موضوع دیگری که به آن پرداخته می‌شود، پیش‌بینی عدم قطعیت مدل‌های هیدرولوژیکی است. روش سنتی مونت کارلو مبتنی بر داده‌های گذشته است و نمی‌تواند مستقیماً برای تخمین عدم قطعیت مدل برای اجرای مدل آتی در طول عملیات آن استفاده شود. در این پایان نامه رویکرد به اصطلاح MLUE (یادگیری ماشین برای تخمین عدم قطعیت) بیشتر مورد بررسی و توسعه قرار می گیرد. در آن از تکنیک‌های یادگیری ماشین (مانند شبکه‌های عصبی) برای محصور کردن نتایج آزمایش‌های مونت کارلو در یک مدل پیش‌بینی‌کننده استفاده می‌شود که قادر به تخمین عدم قطعیت برای حالت‌های آینده سیستم مدل‌سازی شده است.

به‌علاوه، نشان داده شده است که کمیته ای از چندین مدل عدم قطعیت پیش بینی کننده امکان افزایش دقت پیش بینی را فراهم می کند. حوضه های آبریز در نپال، انگلستان و ایالات متحده آمریکا به عنوان مطالعات موردی استفاده می شوند.

در مدل سازی سیل، مدل های هیدرولوژیکی معمولاً در ترکیب با مدل های هیدرولیکی که یک آبشار را تشکیل می دهند، استفاده می شود که اغلب توسط پردازش جغرافیایی پشتیبانی می شود. برای تجزیه و تحلیل عدم قطعیت مدل‌سازی طغیان سیلاب حوضه آبریز نزویا (کنیا) مدل‌های هیدرولوژیکی SWAT و هیدرودینامیکی SOBEK یکپارچه شده‌اند و عدم قطعیت پارامتری مدل هیدرولوژیکی اجازه داده می‌شود تا از طریق آبشار مدل با استفاده از شبیه‌سازی‌های مونت کارلو منتشر شود و منجر به تولید مدل شود. نقشه های احتمالی سیل با توجه به پیچیدگی محاسباتی بالای این آزمایش‌ها، چارچوب محاسباتی با کارایی بالا (خوشه‌ای) طراحی و استفاده می‌شود.

این مطالعه تعدادی از تکنیک‌های هیدروانفورماتیک را اصلاح کرد، بنابراین مدل‌سازی هیدرولوژیکی و یکپارچه مبتنی بر عدم قطعیت را افزایش داد. /P>

توضیحاتی درمورد کتاب به خارجی

Due to the complexity of hydrological systems a single model may be unable to capture the full range of a catchment response and accurately predict the streamflows. A solution could be the in use of several specialized models organized in the so-called committees. Refining the committee approach is one of the important topics of this study, and it is demonstrated that it allows for increased predictive capability of models.

Another topic addressed is the prediction of hydrologic models’ uncertainty. The traditionally used Monte Carlo method is based on the past data and cannot be directly used for estimation of model uncertainty for the future model runs during its operation. In this thesis the so-called MLUE (Machine Learning for Uncertainty Estimation) approach is further explored and extended; in it the machine learning techniques (e.g. neural networks) are used to encapsulate the results of Monte Carlo experiments in a predictive model that is able to estimate uncertainty for the future states of the modelled system.

Furthermore, it is demonstrated that a committee of several predictive uncertainty models allows for an increase in prediction accuracy. Catchments in Nepal, UK and USA are used as case studies.

In flood modelling hydrological models are typically used in combination with hydraulic models forming a cascade, often supported by geospatial processing. For uncertainty analysis of flood inundation modelling of the Nzoia catchment (Kenya) SWAT hydrological and SOBEK hydrodynamic models are integrated, and the parametric uncertainty of the hydrological model is allowed to propagate through the model cascade using Monte Carlo simulations, leading to the generation of the probabilistic flood maps. Due to the high computational complexity of these experiments, the high performance (cluster) computing framework is designed and used.

This study refined a number of hydroinformatics techniques, thus enhancing uncertainty-based hydrological and integrated modelling.

فهرست مطالب

Content: Summary 1 Introduction 2 Conceptual and data-driven hydrological modelling 3 Committees of hydrological models 4 Hybrid committees of hydrological models 5 Model parametric uncertainty and effects of sampling strategies 6 Prediction of uncertainty by machine learning techniques 7 Committees of models predicting models' uncertainty 8 Integration of hydrological and hydrodynamic models and their uncertainty in inundation modelling 9 Conclusions and recommendations

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Agricultural Trade Facilitation in Sub-Saharan Africa: Structure and Dynamics of the European Market for Horticultural Products and Opportunities for SSA Exporters (World Bank Working Papers, No. 63)

دانلود کتاب Coding games in Scratch

دانلود کتاب Practical Biochemistry

دانلود کتاب Organometallic Chem [Splst Period'l Rpt Vol 07]

دانلود کتاب Valor, acumulación y crisis: Ensayo de económia política