M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai river in China / Solomatine, Dimitri P. in Journal of hydrologic engineering, Vol. 9, N° 6 (Novembre/Decembre 2004)  

Public ISBD [article]  inJournal of hydrologic engineering > Vol. 9, N° 6 (Novembre/Decembre 2004) . - 491-501 p. Titre : M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai river in China Titre original : Arbres M5 Modèles et Réseaux Neurologiques : Application pour Inonder des Prévisions dans l'Extension Supérieure du Fleuve de Huai en Chine Type de document : texte imprimé Auteurs : Solomatine, Dimitri P., Auteur ; Xue, Yunpeng, Auteur Année de publication : 2006 Article en page(s) : 491-501 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Hydrologic models data Flood forecasting Artificial intelligence China Neural networks Multiple regression Data analysis Modèles hydrologiques Données Prévisions d'inondation Intelligence artificielle Réseaux neurologiques de régression multiple Analyse données Index. décimale : 551.4 surface du globe.Géographie physique.Géomorphologie Résumé : The Applicability and performance of the so-called M5 model tree machine learning technique is investigated in a flood forecasting problem for the upper reach of the Huai River in China. In one of configuration this technique is compared to multilayer perceptron artificial neural network (ANN). It is shown that model trees, being analogous to piecewise linear functions, have certain advantages compared to ANNs--they are more transparent and hence acceptable by decision makers, are very fast in training and always converge. The Accuracy of M5 trees is similar to that of ANNs. The Improved accuracy in predicting high floods was achieved by building a modular model (mixture of models); in it the flood samples with special hydrological characteristics are split into groups for which separate M5 and ANN models are built. The Hybrid model combining model tree and ANN gives the best prediction result. L'applicabilité et l'exécution de la prétendue technique modèle d'étude de machine de l'arbre M5 est étudiée dans un problème de prévisions d'inondation pour l'extension supérieure du fleuve de Huai en Chine. Dans un de la configuration cette technique est comparée au réseau neurologique artificiel de perceptron multicouche (ANN). On lui montre que les arbres modèles, étant analogues aux fonctions par morceaux linéaires, ont certains avantages comparés à ANNs -- ils sont plus transparents et par conséquent acceptable par des décideurs, sont très rapidement dans la formation et convergent toujours. L'exactitude des arbres M5 est semblable à celle d'ANNs. L'exactitude améliorée en inondations de prévision de haute a été réalisée en établissant un modèle modulaire (mélange des modèles) ; dans elle les échantillons d'inondation avec des caractéristiques hydrologiques spéciales sont coupés en groupes pour lesquels des modèles séparés de M5 et d'ANN sont établis. L'arbre et l'ANN modèles de combinaison modèles hybrides donne le meilleur résultat de prévision. En ligne : sol@ihe.nl, ypxue@yellowriver.gov.cn [article] M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai river in China = Arbres M5 Modèles et Réseaux Neurologiques : Application pour Inonder des Prévisions dans l'Extension Supérieure du Fleuve de Huai en Chine [texte imprimé] / Solomatine, Dimitri P., Auteur ; Xue, Yunpeng, Auteur . - 2006 . - 491-501 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 9, N° 6 (Novembre/Decembre 2004) . - 491-501 p. Mots-clés : Hydrologic models data Flood forecasting Artificial intelligence China Neural networks Multiple regression Data analysis Modèles hydrologiques Données Prévisions d'inondation Intelligence artificielle Réseaux neurologiques de régression multiple Analyse données Index. décimale : 551.4 surface du globe.Géographie physique.Géomorphologie Résumé : The Applicability and performance of the so-called M5 model tree machine learning technique is investigated in a flood forecasting problem for the upper reach of the Huai River in China. In one of configuration this technique is compared to multilayer perceptron artificial neural network (ANN). It is shown that model trees, being analogous to piecewise linear functions, have certain advantages compared to ANNs--they are more transparent and hence acceptable by decision makers, are very fast in training and always converge. The Accuracy of M5 trees is similar to that of ANNs. The Improved accuracy in predicting high floods was achieved by building a modular model (mixture of models); in it the flood samples with special hydrological characteristics are split into groups for which separate M5 and ANN models are built. The Hybrid model combining model tree and ANN gives the best prediction result. L'applicabilité et l'exécution de la prétendue technique modèle d'étude de machine de l'arbre M5 est étudiée dans un problème de prévisions d'inondation pour l'extension supérieure du fleuve de Huai en Chine. Dans un de la configuration cette technique est comparée au réseau neurologique artificiel de perceptron multicouche (ANN). On lui montre que les arbres modèles, étant analogues aux fonctions par morceaux linéaires, ont certains avantages comparés à ANNs -- ils sont plus transparents et par conséquent acceptable par des décideurs, sont très rapidement dans la formation et convergent toujours. L'exactitude des arbres M5 est semblable à celle d'ANNs. L'exactitude améliorée en inondations de prévision de haute a été réalisée en établissant un modèle modulaire (mélange des modèles) ; dans elle les échantillons d'inondation avec des caractéristiques hydrologiques spéciales sont coupés en groupes pour lesquels des modèles séparés de M5 et d'ANN sont établis. L'arbre et l'ANN modèles de combinaison modèles hybrides donne le meilleur résultat de prévision. En ligne : sol@ihe.nl, ypxue@yellowriver.gov.cn

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire