حتی اگر یک مدل آب زیرزمینی همگرا شود، باز هم ممکن است خطاهایی در آن وجود داشته باشد که منجر به نتایج اشتباه شود. مدل آب زیرزمینی یک نمایش انتزاعی از سیستم آب زیرزمینی است. این یک ابزار است که می توان از آن برای شبیه سازی جریان، توزیع و کیفیت آب زیرزمینی استفاده کرد. مدل های آب زیرزمینی برای طیف وسیعی از اهداف از جمله:

رصد زمین به یکی از اجزای مهم سیاست مشترک کشاورزی (CAP) تبدیل شده است. با نزدیک شدن به مهلت اجرای #AreaMonitoring، NPA ها باید حسگر از راه دور را در جریان کاری فعلی خود پیاده کنند. در حالی که برخی از آژانس ها در خط مقدم اصلاحات #CAP هستند، بسیاری هنوز با بازدیدهای میدانی پرهزینه، گردش کار پیچیده و مناقصه و برنامه ریزی بودجه دست و پنجه نرم می کنند. در وبینار از کسانی که قبلاً این فرآیند را با موفقیت پشت سر گذاشته اند بیاموزید و تجربیات خود را به اشتراک بگذارند.

یادگیری ماشینی یک فرآیند تکراری به جای یک فرآیند خطی است که نیاز به بازبینی هر مرحله دارد، زیرا اطلاعات بیشتری در مورد مشکل تحت بررسی کسب می شود. این فرآیند تکراری می‌تواند نیازمند استفاده از ابزارها، برنامه‌ها و اسکریپت‌های مختلف برای هر فرآیند باشد. میز کار یادگیری ماشینی یک پلت فرم یا محیطی است که طیفی از فعالیت های یادگیری ماشین را پشتیبانی و تسهیل می کند و نیاز به ابزارهای متعدد را کاهش می دهد یا از بین می برد.

روند بازیابی اطلاعات از تصاویر ماهواره ای می تواند زمانبر باشد و با چالش هایی مانند وضوح تصویر، شناسایی ویژگی ها و معیارهای کاربر روبرو است. با استفاده از ابزارهای یادگیری ماشین می توانیم تصاویر را پیش پردازش کرده و آنها را با ابزارهای استاندارد QGIS ترکیب کنیم تا اشیا را به روشی بسیار کارآمد ترسیم کنیم.

Python یک زبان برنامه نویسی است که قادر به انجام محاسبات برای مطالعات هیدرولوژیکی و ارزیابی منابع آب است. ما یک آموزش برای تعیین منحنی حجم و ارتفاع دریاچه پاتیلاس در پورتوریکو با پایتون و کتابخانه های عددی / مکانی به عنوان Numpy و Rasterio انجام داده ایم. سرانجام، نتایج به دست آمده از منحنی حجم و ارتفاع از یک منبع USGS مقایسه شد.

ماشین بردار پشتیبانی (Support vector machines - SVMs) یکی از روش‌های یادگیری با نظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند. این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی نشان داده‌است. مبنای کاری دسته‌بندی کنندهٔ SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد.

ناسا در چند سال گذشته، قابلیت EOS (LANCE) در دسترس بودن مجموعه داده ها، NRT AMSR2 Daily L3 EWE-Grids معادل جهانی برف را اعلام کرده است. این مجموعه داده شامل داده های آب معادل برف (SWE) و پرچم های تضمین کیفیت است که به نیمکره شمالی و جنوبی 25 کیلومتری شبکه های زمینی مقیاس پذیر با مساحت برابر (شبکه های EASE) ترسیم شده اند. به دلیل اینکه داده ها از دستگاه Advanced Microwave Scanning Radiometer 2 (AMSR2) در ماهواره مأموریت مشاهدات تغییرات جهانی - آب "Shizuku" (GCOM-W1) به دست می آیند، تقریباً در زمان آنی تولید می شوند.

مدل های تک مرحله ای

ساده ترین مدلی که می توانید بر اساس این نوع داده ها بسازید، مدلی است که مقدار یک ویژگی را تنها در شرایط فعلی، 1 برابر گام (1 ساعت) در آینده پیش بینی می کند. بنابراین با ایجاد مدل هایی برای پیش بینی مقدار یک ساعت (T (degC در آینده شروع کنید.

پنجره سازی داده ها

مدل های موجود در این مجموعه آموزشی بر اساس پنجره ای از نمونه های متوالی داده ها، مجموعه ای از پیش بینی ها را ایجاد می کنند.

ویژگی های اصلی پنجره های ورودی عبارتند از:

این آموزش مقدمه ای برای پیش بینی سری زمانی با استفاده از TensorFlow است. چند مدل مختلف از جمله شبکه های عصبی Convolutional و Recurrent یعنی (CNN ها و RNN ها) را ایجاد می کند.

این در دو بخش اصلی، با زیر بخش ها پوشش داده شده است:

• پیش بینی برای یک بازه زمانی واحد:
• یک ویژگی واحد
• همه ویژگی ها

حافظه طولانی کوتاه-مدت (به انگلیسی: Long short-term memory) یا به اختصار ال‌اس‌تی‌ام (تلفظ تحت‌اللفظی LSTM)، یک معماری شبکه عصبی بازگشتی (یک شبکه عصبی مصنوعی) است که در سال ۱۹۹۷ میلادی توسط سپ هوخرایتر و یورگن اشمیدهوبر ارائه شد، و بعداً در سال ۲۰۰۰ میلادی توسط فیلیکس ژرس بهبود داده شد.

در علوم مختلف، به یک توالی یا دنباله از متغیرهای تصادفی که در فاصله های زمانی ثابت نمونه برداری شده باشند، اصطلاحاً سری زمانی یا پیشامد تصادفی در مقطع زمان می‌گویند. به عبارت دیگر منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری ای که این گونه داده‌های آماری را مورد استفاده قرار می‌دهد مدل های تحلیل سری‌ زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعهٔ مشاهدات تصادفی ای است که بر اساس زمان مرتب شده باشند. مثال‌های آن در اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.

این کد نحوه انجام پیش بینی جدول زمانی را با استفاده از مدل LSTM نشان می دهد.

یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط ​​یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.

اجرای HEC-HMS با Jython - از Jython می توان برای اجرای HMS، یک برنامه جاوا، به روشی "بدون سر" استفاده کرد. حداقل به HEC-HMS نیاز خواهید داشت. همچنین ممکن است اسکریپت خود را از طریق یک فایل دسته ای یا IDE اجرا کنید، در این صورت شما به یک نمونه از Jython نیاز خواهید داشت.

از روش های یادگیری ماشین می توان برای طبقه بندی و پیش بینی مسائل سری زمانی استفاده کرد. قبل از کاوش در روشهای یادگیری ماشین برای سری های زمانی، بهتر است اطمینان حاصل کنید که آموزش روشهای پیش بینی سری زمانی خطی کلاسیک را به اتمام رسانده اید. روش های کلاسیک پیش بینی سری زمانی ممکن است بر روی روابط خطی متمرکز شده باشند، با این وجود، این روش ها پیچیده هستند و در طیف گسترده ای از مسائل عملکرد خوبی دارند، با این فرض که داده های شما به درستی آماده شده و روش به خوبی پیکربندی شده است.

پرسپترون چند لایه یا به اختصار MLP می توانند برای پیش بینی سری زمانی استفاده شوند. چالشی در استفاده از MLP برای پیش بینی سری زمانی در تهیه داده ها وجود دارد. به طور خاص، مشاهدات تأخیر (لگ) مشاهداتی باید به بردارهای اجزا مسطح شود. در این آموزش، شما می آموزید که چگونه مجموعه ای از مدل های MLP را برای طیف وسیعی از مسائل پیش بینی سری زمانی استاندارد ایجاد کنید. هدف این آموزش ارائه نمونه های مستقل از هر مدل در مورد هر نوع مسئله سری زمانی به عنوان الگویی است که می توانید آن را کپی کرده و برای مشکل پیش بینی سری زمانی خاص خود تطبیق دهید.

توسعه نرم افزار منبع باز ابزارهای شگفت انگیز جدیدی را در همه زمینه ها به ارمغان می آورد. در هیدروژئولوژی و مدل سازی آبهای زیرزمینی تعداد روزافزونی از بسته های نرم افزاری و نرم افزاری خاص منبع باز وجود دارد. ما می خواستیم جدیدترین کتابخانه های مربوط به پایتون مربوط به هیدروژئولوژی را جمع آوری کنیم، از مراجع درخواست کردیم و از طریق وب تحقیق کردیم تا لیست زیر را به شما ارائه دهیم.

نرم افزار یک ابزار فناوری است و از طریق تاریخ بشر، جدیدترین فناوری باعث شده است که مهارت های شناختی ما تغییر کند و هوش ما رشد کند. متخصصان منابع آب با استفاده گسترده از نرم افزار و رایانه با شبیه سازی عددی جریان سطح، جریان آب زیرزمینی، تعامل با محیط و پیش بینی تأثیرات آینده سروکار دارند. از نظر ما، نیاز به متخصصانی وجود دارد که بتوانند با انواع مختلفی از کدهای نرم افزاری و برنامه نویسی برای توسعه ارزیابی های جامع از شرایط فعلی و آینده منابع آب، مقابله کنند.

یک سؤال بزرگ وقتی پیش آمد که در دوران مدرن یا در 5 سال گذشته با مدل سازی عددی سر و کار داشته باشیم، و این سؤال این است که مهارت های برنامه نویسی باید در یک هیدروژئولوژیست - مدل ساز عددی چقدر وجود داشته باشد؟ این سؤال بالاتر از این سؤال است: آیا یک متخصص هیدروژنولوژیست - باید به هر زبانی برنامه نویسی کد تولید کند؟

دارایی های مدل با جزئیات بیشتر

مدل داده های شبکه ابزار به گونه ای طراحی شده است که بازیابی سریع و کارآمد داده را حتی با مجموعه داده های بزرگ که حاوی بازنمایی های بسیار دقیقی از دارایی ها در دنیای واقعی هستند فراهم کند.

با استفاده از شبکه ابزار ArcGIS، ابزارهای ارتباطی می توانند ارتباط بین ویژگی هایی که از نظر هندسی به طور همسان هستند و همچنین ویژگی هایی که از یکدیگر جبران می شوند، مدل سازی کنند. این اتصالات بین ویژگیهای افست امکان قرارگیری ویژگی بهینه را برای اهداف نمایش امکان پذیر می کند. این کار همچنین امکان اتصال ویژگی هایی که در مجاورت هستند وجود ندارد اما در ضمن لوله ای از طول لوله ها مانند ویژگی های مجاور در یک مونتاژ دریچه وجود ندارد.

شکل 1: به عنوان مثال نتایج جستجوی Mirador برای IMERG.

بررسی اجمالی:

داده های GPM IMERG را با استفاده از پایتون بخوانید.

این دستورالعمل نحوه خواندن داده ها از مجموعه داده IMERG ماموریت جهانی اندازه گیری بارش (GPM) با استفاده از پایتون را نشان می دهد.

بهترین شکل:

کاربر می خواهد داده های GPM IMERG را با استفاده از پایتون بخواند