Documents disponibles écrits par cet auteur

Rainfall-Runoff Modeling Using Artificial Neural Networks / Tokar, A. Sezin in Journal of hydrologic engineering, Vol. 4, N° 3 (Juillet 1999)

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 4, N° 3 (Juillet 1999) . - 232-239 p. Titre : Rainfall-Runoff Modeling Using Artificial Neural Networks Titre original : Précipitation-Ecoulement Modelant en Utilisant les Réseaux Neurologiques Artificiels Type de document : texte imprimé Auteurs : Tokar, A. Sezin, Auteur ; Johson, Peggy A., Auteur Article en page(s) : 232-239 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Précipitations  d'écoulement  Réseaux  de  neurones  artificiels  Température  Fonte  de  neige  Fleuve  Maryland  Prévision  Calibrage  Flexibilité Index. décimale : 551.4 Résumé : An Artificial Neural Network (ANN) methodology was employed to forecast daily runoff as a function of daily precipitation, temperature, and snow melt for the Little Patuxent River watershed in Maryland. The Sensitivity of the prediction accuracy to the content and length of training data was investigated. The ANN rainfall-runoff model compared favorably with results obtained using existing techniques including statistical regression and a calibration data, and shortens the time spent in calibration of the models. At the same time, it represents an improvements upon the prediction accuracy and flexibility of current methods. Une méthodologie artificielle de réseau neurologique (ANN) a été utilisée pour prévoir l'écoulement quotidien en fonction de la précipitation quotidienne, de la température, et du fonte de neige pour la petite ligne de partage de fleuve de Patuxent dans le Maryland. La sensibilité de l'exactitude de prévision au contenu et de la longueur des données de formation a été étudiée. Le modèle d'précipitation-écoulement d'ANN comparé favorablement aux résultats obtenus en utilisant des techniques existantes comprenant la régression statistique et des données de calibrage, et raccourcit le temps passé dans le calibrage des modèles. En même temps, il représente des améliorations sur l'exactitude de prévision et la flexibilité des méthodes courantes. [article] Rainfall-Runoff Modeling Using Artificial Neural Networks = Précipitation-Ecoulement Modelant en Utilisant les Réseaux Neurologiques Artificiels [texte imprimé] / Tokar, A. Sezin, Auteur ; Johson, Peggy A., Auteur . - 232-239 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 4, N° 3 (Juillet 1999) . - 232-239 p. Mots-clés : Précipitations  d'écoulement  Réseaux  de  neurones  artificiels  Température  Fonte  de  neige  Fleuve  Maryland  Prévision  Calibrage  Flexibilité Index. décimale : 551.4 Résumé : An Artificial Neural Network (ANN) methodology was employed to forecast daily runoff as a function of daily precipitation, temperature, and snow melt for the Little Patuxent River watershed in Maryland. The Sensitivity of the prediction accuracy to the content and length of training data was investigated. The ANN rainfall-runoff model compared favorably with results obtained using existing techniques including statistical regression and a calibration data, and shortens the time spent in calibration of the models. At the same time, it represents an improvements upon the prediction accuracy and flexibility of current methods. Une méthodologie artificielle de réseau neurologique (ANN) a été utilisée pour prévoir l'écoulement quotidien en fonction de la précipitation quotidienne, de la température, et du fonte de neige pour la petite ligne de partage de fleuve de Patuxent dans le Maryland. La sensibilité de l'exactitude de prévision au contenu et de la longueur des données de formation a été étudiée. Le modèle d'précipitation-écoulement d'ANN comparé favorablement aux résultats obtenus en utilisant des techniques existantes comprenant la régression statistique et des données de calibrage, et raccourcit le temps passé dans le calibrage des modèles. En même temps, il représente des améliorations sur l'exactitude de prévision et la flexibilité des méthodes courantes.