Application of artificial neural networks in modelling the hydrological balance of the Ploučnice River valley, Northern Bohemia (Czech Republic)
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F44555601%3A13520%2F07%3A00003729" target="_blank" >RIV/44555601:13520/07:00003729 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Application of artificial neural networks in modelling the hydrological balance of the Ploučnice River valley, Northern Bohemia (Czech Republic)
Original language description
We have shown that multilayer perceptron neural networks can be successfully used for creating small rainfall-runoff models. These models can be built from historical time series data only. In general, one layer networks fit the "one day history" model better, while two layer networks are more succesful for the "two days' history" nodels. The designed three layers network yielded better forecast on the "one day history" data. We believe this is because bigger neural networks function better for large data sets. On the other hand, networks with more parameters tend to be over-trained and thus they achieve a smaller training error, but a larger testing error.
Czech name
Aplikace umělých neuronových sítí na modelování hydrologické bilance v povodí Ploučnice, v severních Čechách (Česká republika)
Czech description
Prokázali jsme, že vícevrstvé perceptronové neuronové sítě mohou být úspěšně použity pro vytvoření malých srážko-odtokových modelů. Tyto modely mohou zpracovávat pouze historické časové řady. Všeobecně jednovrstvé sítě lépe vystihují jednodenní historii,zatímco dvouvrstvé sítě jsou úspěšnější pro dvoudenní historii. Vytvořená trojvrstvá síť lépe předpovídala při jednodenní historii dat. Domníváme se, že je to způsobené tím, že větší neuronové sítě fungují lépe pro větší datové řady. Na druhou stranu, sítě s více parametry mají tendenci k přetrénování a tedy mají menší chybu při tréninku, ale větší chybu při testování.
Classification
Type
D - Article in proceedings
CEP classification
DO - Protection of landscape
OECD FORD branch
—
Result continuities
Project
<a href="/en/project/GA526%2F03%2FZ042" target="_blank" >GA526/03/Z042: Modeling the rainfall-runoff relationships by artificial intelligence methods</a><br>
Continuities
S - Specificky vyzkum na vysokych skolach
Others
Publication year
2007
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Article name in the collection
Sandstone Landscapes
ISBN
978-80-200-1577-8
ISSN
—
e-ISSN
—
Number of pages
3
Pages from-to
90-92
Publisher name
Academia
Place of publication
Praha
Event location
Doubice
Event date
Jan 1, 2002
Type of event by nationality
WRD - Celosvětová akce
UT code for WoS article
—