Pradip Kyada

La previsione delle precipitazioni rappresenta ancora un problema estremamente importante in idrologia. D'altra parte, le precipitazioni sono uno dei processi idrologici pi complicati nella previsione del deflusso. Nel presente studio si cercato di sviluppare modelli di reti neurali artificiali (ANN) e di sistemi di inferenza neuro-fuzzy adattivi (ANFIS) per la previsione delle precipitazioni giornaliere nel periodo monsonico di Junagadh, Gujarat, India. I dati del periodo (1 giugno-30 ottobre) degli anni 1979-1981, 1984-1989 e 1991-2007 sono stati utilizzati per addestrare i modelli e i dati degli anni 2008-2011 sono stati utilizzati per testare i modelli. L'analisi di sensibilit stata utilizzata per identificare il parametro pi importante per la previsione delle precipitazioni. Nel modello ANN, l'algoritmo di back-propagation e la funzione di attivazione sigmoide sono stati utilizzati per addestrare e testare i modelli, mentre nei modelli ANFIS sono state utilizzate le funzioni di appartenenza gaussiana e a campana generalizzata. Dallo studio emerso che le prestazioni del modello ANN a doppio strato nascosto con quattro parametri di ingresso sono migliori rispetto al modello ANFIS. L'analisi di sensibilit ha indicato che il parametro di input pi importante, oltre alle precipitazioni stesse, la pressione di vapore nella previsione delle precipitazioni.

La pr vision des pr cipitations reste une question extr mement importante dans le domaine de l'hydrologie. D'autre part, les pr cipitations sont l'un des processus hydrologiques efficaces les plus compliqu s dans la pr vision du ruissellement. Dans la pr sente tude, on a tent de d velopper des mod les de r seaux neuronaux artificiels (ANN) et de syst mes d'inf rence neuro-floue adaptatifs (ANFIS) pour la pr vision des pr cipitations quotidiennes pendant la p riode de mousson Junagadh, Gujarat, Inde. Les donn es de la p riode (1er juin au 30 octobre) des ann es 1979-1981, 1984-1989 et 1991-2007 ont t utilis es pour former les mod les et les donn es des ann es 2008-2011 ont t utilis es pour tester les mod les. L'analyse de sensibilit a t utilis e pour identifier le param tre le plus important pour la pr vision des pr cipitations. Dans le mod le ANN, l'algorithme de r tropropagation et la fonction d'activation sigmo de ont t utilis s pour former et tester les mod les, tandis que dans les mod les ANFIS, les fonctions d'appartenance gaussienne et de cloche g n ralis e ont t utilis es. L' tude a montr que les performances du mod le ANN double couche cach e avec quatre param tres d'entr e sont meilleures que celles du mod le ANFIS. L'analyse de sensibilit a indiqu que le param tre d'entr e le plus important, outre les pr cipitations elles-m mes, est la pression de vapeur dans la pr vision des pr cipitations.

A previs o da precipita o continua a ser uma quest o extremamente importante em hidrologia. Por outro lado, a precipita o um dos processos hidrol gicos mais complicados e eficazes na previs o do escoamento superficial. No presente estudo, procurou-se desenvolver modelos de redes neuronais artificiais (RNA) e de sistemas de infer ncia neuro-fuzzy adaptativos (ANFIS) para a previs o da precipita o di ria durante o per odo de mon o em Junagadh, Gujarat, ndia. Os dados do per odo (1 de junho a 30 de outubro) dos anos 1979-1981, 1984-1989 e 1991-2007 foram utilizados para treinar os modelos e os dados dos anos 2008-2011 foram utilizados para testar os modelos. A an lise de sensibilidade foi utilizada para identificar o par metro mais importante para a previs o da precipita o. No modelo ANN, o algoritmo de retropropaga o e a fun o de ativa o sigmoide foram utilizados para treinar e testar os modelos, ao passo que nos modelos ANFIS, foram utilizadas as fun es de afilia o gaussiana e de sino generalizada. O estudo revelou que o desempenho do modelo ANN de camada oculta dupla com quatro par metros de entrada melhor do que o modelo ANFIS. A an lise de sensibilidade indicou que o par metro de entrada mais importante, para al m da pr pria precipita o, a press o de vapor na previs o da precipita o.

Die Niederschlagsvorhersage ist nach wie vor ein u erst wichtiges Thema in der Hydrologie. Andererseits ist der Niederschlag einer der kompliziertesten effektiven hydrologischen Prozesse bei der Abflussvorhersage. In der vorliegenden Studie wurde ein Versuch unternommen, k nstliche neuronale Netze (ANN) und adaptive Neuro-Fuzzy-Inferenzsysteme (ANFIS) f r die Vorhersage der t glichen Niederschl ge f r die Monsunzeit in Junagadh, Gujarat, Indien, zu entwickeln. Die Daten des Zeitraums (1. Juni bis 30. Oktober) der Jahre 1979-1981, 1984-1989 und 1991-2007 wurden zum Trainieren der Modelle und die Daten der Jahre 2008-2011 zum Testen der Modelle verwendet. Die Sensitivit tsanalyse wurde verwendet, um den wichtigsten Parameter f r die Niederschlagsvorhersage zu ermitteln. Im ANN-Modell wurden der Backpropagation-Algorithmus und die Sigmoid-Aktivierungsfunktion zum Trainieren und Testen der Modelle verwendet, w hrend in den ANFIS-Modellen die Gau - und die verallgemeinerte Glockenzugeh rigkeitsfunktion verwendet wurden. Die Studie ergab, dass die Leistung des ANN-Modells mit zwei versteckten Schichten und vier Eingangsparametern besser ist als die des ANFIS-Modells. Die Sensitivit tsanalyse ergab, dass der wichtigste Eingangsparameter neben dem Niederschlag selbst der Dampfdruck bei der Niederschlagsvorhersage ist.