کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6962028 1452246 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Error correction-based forecasting of reservoir water levels: Improving accuracy over multiple lead times
ترجمه فارسی عنوان
پیش بینی اصلاح خطا در سطح آب مخزن: بهبود دقت بیش از زمان سربار چندین بار
کلمات کلیدی
ترجمه چکیده
ارائه پیش بینی های سطح قابل قبول آب مخزن به دلیل خطاهای تجمعی در مدل های هیدرولوژیکی و مخزن مسیریابی است. ما یک مدل پیش بینی جدید ارائه می دهیم که به این مسائل توجه می کند. این مدل شامل یک مدل هیدرولوژیکی برای شبیه سازی جریان، یک مدل مسیر یابی مخزن برای شبیه سازی سطوح آب و یک مدل خودکار رگرسیون برای تصحیح خطا است. پارامترهای مدل هیدرولوژیکی با هدف پیش بینی میزان آب در زمانهای مختلف سرب، با استفاده از یک الگوریتم برگشت پذیر برای تنظیم مجدد پارامترها برای مدل های هیدرولوژیکی و خودمحور مورد استفاده قرار گرفتند. نتایج نشان می دهد که: (1) عملکرد پیش بینی زمان سرعتی موثر را می توان با به حداقل رساندن تفاوت بین پیش بینی شده و سطح آب مشاهده شده برای زمان های متعدد سرب؛ (2) آخرین روش های خطا بهتر از روش پیش بینی بازگشتی یک مرحله ای است؛ و (3) الگوریتم بازگشت به عقب برتر از روش استنتاج مشترک است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزار
پیش نمایش مقاله
پیش بینی اصلاح خطا در سطح آب مخزن: بهبود دقت بیش از زمان سربار چندین بار
چکیده انگلیسی
Providing reliable reservoir water level forecasts is a challenge because of the accumulative errors in hydrological and reservoir routing models. We present a novel forecasting model that addresses these issues. The model consists of a hydrological model to simulate inflow, a reservoir routing model to simulate water levels, and an autoregressive model for error correction. The parameters for the hydrological model were calibrated with the objective of forecasting water levels over multiple lead times, while a back-fitting algorithm was used to recalibrate the parameters sequentially for the hydrological and autoregressive models. The results show that: (1) the forecasting performance of effective lead times can be enhanced by minimizing the difference between the forecasted and observed water levels for multiple lead times; (2) the most recent errors method is better than the one-step-ahead recursive prediction method; and (3) the back-fitting algorithm is superior to the joint inference method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Environmental Modelling & Software - Volume 104, June 2018, Pages 27-39
نویسندگان
, , , , , ,