Application of artificial neural networks and adaptive neuro-fuzzy inference system models to short-term streamflow forecasting
Notice bibliographique
Résumé
The present article aims to forecast streamflow by using artificial neural networks (ANNs), adaptive neuro-fuzzy inference system (ANFIS), and autoregressive moving average (ARMA). For this purpose, the daily streamflow time series of two hydrometry stations of Hajighoshan and Tamar on Gorgan River are used for two periods of 1983–2007 and 1974–2007, respectively. Root mean square error (RMSE) and correlation coefficient (R) statistics are employed to evaluate the performance of the ANNs, ANFIS, and ARMA models for forecasting streamflow (1 day ahead). Comparison of the results reveals that the ANFIS model outperforms the ARMA model. Based on the results of validation stage, for the forecasting 1 day ahead streamflow, ANN with RMSE = 0.028 m3/s and R = 0.59 for the Hajighoshan station and RMSE = 0.013 m3/s and R = 0.44 for the Tamar station were found to be superior to the ANFIS with RMSE = 1.98 m3/s and R = 0.42 for the Hajighoshan station and RMSE = 2.18 m3/s and R = 0.22 for the Tamar station. In addition, for 2 day and 3 day ahead streamflow forecasts, the ANN models show superiority in the accuracy of forecasting streamflow compared with the ANFIS models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».