ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > A Multi-Layer Perceptron Regre...>الوصف

A Multi-Layer Perceptron Regression and Variant Windowing for Estimating Rainfall Based on Weather Radar Data

العنوان بلغة أخرى: انحدار مستقبلي متعدد الطبقات ومتغير الرياح لتقدير هطول الأمطار استنادا إلى بيانات رادار الطقس
المصدر: مجلة التربية والعلم
الناشر: جامعة الموصل - كلية التربية
المؤلف الرئيسي: بينالون، فرديناندوس إدوين إدوين (مؤلف)
المؤلف الرئيسي (الإنجليزية): Penalun, F. E.
مؤلفين آخرين: هيرماوان، عريف (م. مشارك) , أفيانتو، دوني (م. مشارك) , برامودوياتموكو، عارف (م. مشارك)
المجلد/العدد: مج33, ع2
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2024
الصفحات: 58 - 71
ISSN: 1812-125X
رقم MD: 1479172
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
الموارد المائية | هطول الأمطار | التغيرات المناخية | رادار الطقس
كلمات المؤلف المفتاحية:
Rainfall Estimation | Mlp Regressor | Windowing Technique
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: دقة معلومات هطول الأمطار أمر بالغ الأهمية لتطبيقات عديدة، بما في ذلك تقدير جريان النهر وإدارة موارد المياه وتطوير أنظمة الإنذار المبكر بالفيضانات. لكن شبكات مقاييس المطر التقليدية تعاني من محدودية التغطية المكانية، مما يؤدي إلى بيانات غير مكتملة وغير دقيقة بالنسبة للمساحات الواسعة. تقترح هذه الدراسة نهجا جديدا لتقدير هطول الأمطار السطحية باستخدام بيانات رادار الطقس ونموذج الانحدار متعدد الطبقات (MLP) للتعلم الآلي. تم استخدام البحث الشبكي لاستكشاف أداء النموذج عبر تكوينات نوافذ مختلفة: بدون نافذة، ونافذة n-1، ونافذتين n-2 أظهرت النتائج تفوق استراتيجية النافذة n-1 على التكوينات الأخرى، حيث حققت متوسط جذر خطأ التربيع المتوسط 0.987 (RMSE) ومتوسط الخطأ المطلق 0.263 (MAE) ومعامل التحديد 0.242 (R-squared) عبر خمسة مواقع يشير هذا إلى أن استراتيجية النافذة n-1 تلتقط الديناميكيات الزمنية لأنماط هطول الأمطار بشكل فعال مع تحسين حساسية النموذج للانتظام. ومع ذلك، لا يزال هناك اتجاه نحو التقليل من شأن أحداث هطول الأمطار الغزيرة. يسلط هذا البحث الضوء على فعالية استراتيجية النافذة n-1 مع نموذج الانحدار متعدد الطبقات لتحسين تقدير هطول الأمطار السطحية باستخدام بيانات رادار الطقس. هناك حاجة إلى مزيد من التحقيق لمعالجة تحيز التقليل، خاصة بالنسبة لأحداث هطول الأمطار الغزيرة.

Accurate rainfall information is crucial for various applications, including river flow estimation, water resource management, and flood warning system development. Traditional rain gauge networks, however, suffer from limited spatial coverage, leading to incomplete and biased data for large areas. This study proposes a novel approach for surface rainfall estimation using weather radar data and a MultiLayer Perceptron (MLP) Regressor machine learning model. Grid search was employed to explore model performance across different windowing configurations: no windowing, n-1 windowing, and n-2 windowing. The results demonstrate that n-1 windowing outperforms other configurations, achieving an average RMSE of 0.987, MAE of 0.263, and R-squared of 0.242 across five locations. This suggests that n-1 windowing effectively captures the temporal dynamics of rainfall patterns while improving the model's sensitivity to regularization. However, a tendency for underestimating high-intensity rainfall events remains. This research highlights the effectiveness of n-1 windowing with MLP Regressors for enhanced surface rainfall estimation using weather radar data. Further investigation is needed to address the underestimation bias, particularly for high rainfall events.
ISSN: 1812-125X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.