Les Inscriptions à la Bibliothèque sont ouvertes en
ligne via le site: https://biblio.enp.edu.dz
Les Réinscriptions se font à :
• La Bibliothèque Annexe pour les étudiants en
2ème Année CPST
• La Bibliothèque Centrale pour les étudiants en Spécialités
A partir de cette page vous pouvez :
| Retourner au premier écran avec les recherches... |
Détail de l'auteur
Auteur Li, Y. S.
Documents disponibles écrits par cet auteur
Affiner la rechercheComparison of Several Flood Forecasting Models in Yangtze River / Chau, K. W. in Journal of hydrologic engineering, Vol.10, N°6 (Novembre/Decembre 2005)
in Journal of hydrologic engineering > Vol.10, N°6 (Novembre/Decembre 2005) . - 485-491 p.
Titre : Comparison of Several Flood Forecasting Models in Yangtze River Titre original : Comparaison de Plusieurs Modèles de Prévisions d'Inondation dans le Fleuve de l'Yang Tsé Kiang Type de document : texte imprimé Auteurs : Chau, K. W., Auteur ; Wi, C. L., Auteur ; Li, Y. S. Article en page(s) : 485-491 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Floods Forecasting Models neural networks Algorithms Fuzzy sets China Rivers Prévisions d'inondations Modèle des réseaux neurologiques Algorithmes Ensembles brouillés Fleuves De la Chine Index. décimale : 551.4 Résumé : In a flood-prone region, quick and accurate flood forecasting is imperative. It can extend the lead time for issuing disaster
warnings and allow sufficient time for habitants in hazardous areas to take appropriate action, such as evacuation. In this paper, two hybrid models based on recent artificial intelligence technology, namely, the genetic algorithm -based artificial neural network (ANN-GA) and the adaptive-network-based fuzzy inference system (ANFIS), are employed for flood forecasting in a channel reach of the Yangtze River in China. An empirical linear regression model is used as the benchmark for comparison their performances. Water levels at a downstream station, Han-Kou, are forecasted by using known water levels at the upstream station, Luo-Shan. When cautious treatment is made to avoid overfitting, both hybrid algorithms produce better accuracy in performance than the linear regression model. The ANFIS model is found to be optimal, but it entails a large number of parameters. The Performance of the ANN-GA model is also good, yet it requires longer computation time and additional parameters.
Dans une région encline d'inondation, vite et des prévisions précises d'inondation est impératif. Elle peut prolonger le délai d'exécution pour publier des avertissements de désastre et accorder l'heure suffisante pour des habitants dans des secteurs dangereux de prendre une mesure appropriée, telle que l'évacuation. En cet article, deux modèles hybrides basés sur la technologie récente d'intelligence artificielle, à savoir, le réseau neurologique artificiel basé par algorithme génétique (ANN-GA) et le système brouillé d'inférence basé par réseau adaptatif (ANFIS), sont utilisés pour des prévisions d'inondation dans une extension de canal du fleuve de l'Yang Tsé Kiang en Chine. Un modèle empirique de régression linéaire est employé comme repère pour la comparaison leurs exécutions. Des niveaux d'eau à une station descendant, Han-Kou, sont prévus en employant les niveaux d'eau connus à la station ascendante, Luo-luo-Shan. Quand le traitement prudent est fait pour éviter l'ajustage de précision fini, les deux algorithmes hybrides produisent une meilleure exactitude dans l'exécution que le modèle de régression linéaire. Le modèle d'ANFIS s'avère optimal, mais il nécessite un grand nombre de paramètres. L'exécution du modèle d'ANN-GA est également bonne, pourtant elle exige un plus long temps de calcul et des paramètres additionnels.
[article] Comparison of Several Flood Forecasting Models in Yangtze River = Comparaison de Plusieurs Modèles de Prévisions d'Inondation dans le Fleuve de l'Yang Tsé Kiang [texte imprimé] / Chau, K. W., Auteur ; Wi, C. L., Auteur ; Li, Y. S. . - 485-491 p.
Hydrologie
Langues : Anglais (eng)
in Journal of hydrologic engineering > Vol.10, N°6 (Novembre/Decembre 2005) . - 485-491 p.
Mots-clés : Floods Forecasting Models neural networks Algorithms Fuzzy sets China Rivers Prévisions d'inondations Modèle des réseaux neurologiques Algorithmes Ensembles brouillés Fleuves De la Chine Index. décimale : 551.4 Résumé : In a flood-prone region, quick and accurate flood forecasting is imperative. It can extend the lead time for issuing disaster
warnings and allow sufficient time for habitants in hazardous areas to take appropriate action, such as evacuation. In this paper, two hybrid models based on recent artificial intelligence technology, namely, the genetic algorithm -based artificial neural network (ANN-GA) and the adaptive-network-based fuzzy inference system (ANFIS), are employed for flood forecasting in a channel reach of the Yangtze River in China. An empirical linear regression model is used as the benchmark for comparison their performances. Water levels at a downstream station, Han-Kou, are forecasted by using known water levels at the upstream station, Luo-Shan. When cautious treatment is made to avoid overfitting, both hybrid algorithms produce better accuracy in performance than the linear regression model. The ANFIS model is found to be optimal, but it entails a large number of parameters. The Performance of the ANN-GA model is also good, yet it requires longer computation time and additional parameters.
Dans une région encline d'inondation, vite et des prévisions précises d'inondation est impératif. Elle peut prolonger le délai d'exécution pour publier des avertissements de désastre et accorder l'heure suffisante pour des habitants dans des secteurs dangereux de prendre une mesure appropriée, telle que l'évacuation. En cet article, deux modèles hybrides basés sur la technologie récente d'intelligence artificielle, à savoir, le réseau neurologique artificiel basé par algorithme génétique (ANN-GA) et le système brouillé d'inférence basé par réseau adaptatif (ANFIS), sont utilisés pour des prévisions d'inondation dans une extension de canal du fleuve de l'Yang Tsé Kiang en Chine. Un modèle empirique de régression linéaire est employé comme repère pour la comparaison leurs exécutions. Des niveaux d'eau à une station descendant, Han-Kou, sont prévus en employant les niveaux d'eau connus à la station ascendante, Luo-luo-Shan. Quand le traitement prudent est fait pour éviter l'ajustage de précision fini, les deux algorithmes hybrides produisent une meilleure exactitude dans l'exécution que le modèle de régression linéaire. Le modèle d'ANFIS s'avère optimal, mais il nécessite un grand nombre de paramètres. L'exécution du modèle d'ANN-GA est également bonne, pourtant elle exige un plus long temps de calcul et des paramètres additionnels.
