Water level forecasting through fuzzy logic and artificial neural network approaches

Meramalkan Permukaan Air Melalui Pendekatan Logika Fuzzy dan Jaringan Saraf Tiruan

Abstrak.

Di pembahasan ini tiga data memandu permukaan air meramalkan model disajikan dan diskusikan. Sesuatu didasari pada tiruan neural terhubung jaringan pendekatan, sementara yang lain dua adalah berlandaskan Mamdani dan Takagi Sugeno tidak jelas pendekatan logika, berturut-turut.Semua mereka adalah parameterised dengan referensi untuk limpahkan sendirian peristiwa, dimana permukaan air adalah lebih tinggi dibandingkan satu terpilih ambang pintu. Analisa dari tiga model dilaksanakan oleh penggunaan sama input dan variabel keluaran . Bagaimanapun, dalam urutan untuk mengevaluasi kemampuan mereka kepada kesepakatan dengan taraf berbeda dari keterangan, dua setelan input berbeda dipertimbangkan. terdahulu ditandai oleh ruang yang berpengaruh nyata dan waktu terkumpul keterangan curah hujan, sementara belakangan mempertimbangkan curah hujan keterangan lebih membagikan di ruang dan waktu.Analisa dibuat dengan perhatian hebat ke keandalan dan keakuratan dari masing-masing model, dengan referensi ke ulang tidak ada sungai di Casalecchio Di ulang tidak ada (Sosis panggang babi, Italia). Ini terlihat tersebut kedua-duanya model berlandaskan pendekatan jelas logika tidak laksanakan lebih baik ketika gejala fisik mempertimbangkan adalah synthesised oleh berdua satu angka terbatas dari variabel dan IF-THEN sebagai pernyataan logika, sementara ANN mendekati banyak kinerja ini ketika keterangan lebih terperinci dipergunakan. Seperti hormat aspek keandalan, ini terlihat itu berdasar yang model pada pendekatan jelas logika tidak mungkin menggagal unexpectedly untuk ramalan permukaan air, pada rasa itu pada tahap test, beberapa input kombinasi bukan dikenali oleh sistem ketentuan dan dengan demikian tidak ada ramal dilaksanakan. Masalah ini lakukan tidak terjadi pada ANN dekati.

Pengantar

Ramal permukaan air adalah penting untuk perlindungan lingkungan dan pengendali banjir sejak, ketika melimpahkan peristiwa terjadi, permukaan air yang dapat dipercaya meramalkan memperbolehkan penggunaan kedua peringatan awal sistem untuk menyiagakan populasi, dan kontrol waktu riil dari struktur hidrolik, pemesongan seperti, gerbang, dsb., untuk kurangi banjir akibat. Keterangan pada evolusi banjir harus diperlengkapi dengan satu waktu proses layak efektif, tapi ini bukan satu tugas mudah, terutama ketika hanya data curah hujan diamati sampai sekejap waktu ramal ada tersedia, tanpa apapun dugaan dari perilaku curah hujan berjangka.Pada dasa warsa terakhir satu jenis baru dari data memandu model, didasari pada intelegensi buatan dan ilmu pengetahuan tentang teknik komputasi lunak punya telah diterapkan.

Khususnya, Tiruan Neural Terhubung Jaringan (ANN) adalah salah satu yang paling secara luas ilmu pengetahuan tentang teknik terpakai pada ramal bidang (misalnya. Hsu et al., 1995; Shamseldin, 1997; Thimuralaiah dan Deo, 2000). Lebih baru-baru ini, Jelas logika tidak (FL) (misalnya. Hundecha et al., 2001; O¨ zelkan dan Duckstein, 2001; Chang et al., 2005), Pohon model (misalnya. Solomatine dan Dulal, 2003) dan sistem bastar berlandaskan berdua ANN dan FL telah dipergunakan (misalnya. Lihat dan Openshaw, 1999, 2000; Abrahart dan Lihat, 2002).Paling aplikasi berlandaskan model ini mempertimbangkan pembuangan seperti ramal variabel (misalnya. imrie et al., 2000; Dawson et al., 2002; Moradkhany et al., 2004), mungkin sebab dari satu kedekatan historis dengan kelas dengan konseptual dan secara fisik berlandaskan model aliran permukaan curah hujan. Demikian satu pendekatan memerlukan pengetahuan dari kurva peringkat pada panampang-lintang dari daya tarik (yaitu. saluran bak) ke parameterize model. Bagaimanapun, pengetahuan dari permukaan air diperlukan pada kerangka dari limpahan peringatan sistem dan dengan demikian kurva peringkat harus dipergunakan juga untuk mentransformasikan forecasted mengalir ke dalam permukaan air.