文献

J-GLOBAL ID：201702289759806583   整理番号：17A0157181

データ駆動における中小河川の知能洪水予測手法の比較研究【JST・京大機械翻訳】

Comparative study of data-driven intelligent flood forecasting methods for small- and medium-sized rivers

著者 (4件)： Ma Kaikai (School of Computer & Information, Hohai University) ,  Li Shijin (School of Computer & Information, Hohai University) ,  Wang Jimin (School of Computer & Information, Hohai University) ,  Yu Yufeng (School of Computer & Information, Hohai University)
資料名： Zhongguo Kexue Jishu Daxue Xuebao  (Zhongguo Kexue Jishu Daxue Xuebao)
巻： 46  号： 9  ページ： 774-779  発行年： 2016年 
JST資料番号： C2239A  ISSN： 0253-2778  CODEN： CKHPD7  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 近年、洪水予報において、データ駆動洪水予測モデルは広く応用され、良好な効果が得られたが、データ駆動モデルはほとんど大流域に応用され、小流域にあまり使用されていない。中・小河川はほとんど資料不足の不足に位置し、洪水は突発性が強く、合流時間が速く、期が短い特徴がある。SVMモデル,BPニューラルネットワークモデル,RBFネットワークモデルおよび限界学習機械(ELM)モデルを,それぞれ構築し,そして,構築したモデルを用いて,昌化流域を予測した。結果により、SVMモデルとRBFネットワークモデルは低流量区域での予測が正確で、しかもモデル予報が安定であることが分かった。BPニューラルネットワークモデルは,高流量区域においてより正確であったが,しかし,モデル予測結果は,安定していなかった。ELMモデルの予測誤差は大きく,予測は不安定である。そこで,組合せモデルを採用した。SVMモデルまたはRBFネットワークモデルを採用して,高流量区域においてBPニューラルネットワークモデルを採用して,実験結果は,組合せモデルの予測効果がより良いことを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 動径基底関数ネットワーク ,  流量 ,  *小河川 ,  学習機械 ,  洪水予報 ,  合流 ,  *洪水 ,  流域 ,  大流域 ,  予測誤差 ,  *予測技法 ,  小流域
準シソーラス用語： 逆伝播ニューラルネットワーク ,  *中小河川 ,  *データ駆動 , 【Automatic Indexing@JST】

著者キーワード (4件)： data-driven model ,  small- and medium-sized rivers flood forecast ,  the RBF neural network ,  extreme learning machine

分類 (1件)： 自然災害  (RA02030M)

タイトルに関連する用語 (6件)： データ駆動 ,  中小河川 ,  知能 ,  洪水予測 ,  手法 ,  研究