آموزش عمیق و یادگیری ماشین در علوم مهندسی آب - DeepCNNs
حوضه های رودخانه شانون و بخش ها
چکیده
برنامه ریزی، مدیریت و پیش بینی نیازها و استفاده از آب باید قبل از تجزیه و تحلیل تغییرات درازمدت برای پارامترهای مرتبط با آن، به منظور بهبود روند توسعه سناریوهای جدید، برای منابع آب سطحی یا آب های زیرزمینی صورت پذیرد. هدف از این مقاله ارائه یک روش مناسب برای پیش بینی طولانی مدت جریان آب و پارامترهای آب رودخانه "شانون" در ایرلند طی یک دوره 30 ساله از سال های 1983 تا 2013 و از طریق چارچوبی است که از سه مرحله تشکیل شده است: مقیاس گسترده تجزیه و تحلیل شهری، داده های تلفیقی، و مرحله حدود علم تحلیل داده ها که تمرکز اصلی مقاله است که با استفاده از یک مدل یادگیری ماشین بر اساس شبکه های عصبی پیچیده عمیق (DeepCNNs) بکار برده می شود. مدل یادگیری عمیق پیشنهاد شده را در سه ایستگاه مختلف آب در رودخانه شانون تست می کنیم و نشان می دهیم که چهار مدل پیش بینی سری زمانی شناخته شده است. ما در نهایت مدل پیشنهادی شبیه سازی جریان آب و سطح آب پیش بینی شده از سال های 2013 تا 2080 را نمایش می دهیم. راه حل پیشنهادی ما می تواند برای مقامات علوم آب بسیار مفید باشد. بخصوص برای برنامه ریزی بهتر تخصیص منابع آب در میان کاربران رقابتی مانند کشاورزان. علاوه بر این، می توان آن را برای تطابق ناهنجاری ها با تنظیم و مقایسه آستانه ها با جریان آب پیش بینی شده و سطح آب مورد استفاده قرار داد.
درباره بهترين هاي بيسيـــن بدانيد...
يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.
اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟
امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.
جستجو در بيسين