Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

A Genetic Programming Approach to System Identification of Rainfall-Runoff Models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60460709%3A41330%2F17%3A74734" target="_blank" >RIV/60460709:41330/17:74734 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/s11269-017-1719-1" target="_blank" >http://dx.doi.org/10.1007/s11269-017-1719-1</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s11269-017-1719-1" target="_blank" >10.1007/s11269-017-1719-1</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    A Genetic Programming Approach to System Identification of Rainfall-Runoff Models

  • Popis výsledku v původním jazyce

    Advancements in data acquisition, storage and retrieval are progressing at an extraordinary rate, whereas the same in the field of knowledge extraction from data is yet to be accomplished. The challenges associated with hydrological datasets, including complexity, non-linearity and multicollinearity, motivate the use of machine learning to build hydrological models. Increasing global climate change and urbanization call for better understanding of altered rainfall-runoff processes. There is a requirement that models are intelligible estimates of underlying physics, coupling explanatory and predictive components, maintaining parsimony and accuracy. Genetic Programming, an evolutionary computation technique has been used for short-term prediction and forecast in the field of hydrology. Advancing data science in hydrology can be achieved by tapping the full potential of GP in defining an evolutionary flexible modelling framework that balances prior information, simulation accuracy and strategy for futur

  • Název v anglickém jazyce

    A Genetic Programming Approach to System Identification of Rainfall-Runoff Models

  • Popis výsledku anglicky

    Advancements in data acquisition, storage and retrieval are progressing at an extraordinary rate, whereas the same in the field of knowledge extraction from data is yet to be accomplished. The challenges associated with hydrological datasets, including complexity, non-linearity and multicollinearity, motivate the use of machine learning to build hydrological models. Increasing global climate change and urbanization call for better understanding of altered rainfall-runoff processes. There is a requirement that models are intelligible estimates of underlying physics, coupling explanatory and predictive components, maintaining parsimony and accuracy. Genetic Programming, an evolutionary computation technique has been used for short-term prediction and forecast in the field of hydrology. Advancing data science in hydrology can be achieved by tapping the full potential of GP in defining an evolutionary flexible modelling framework that balances prior information, simulation accuracy and strategy for futur

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10501 - Hydrology

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    WATER RESOURCES MANAGEMENT

  • ISSN

    0920-4741

  • e-ISSN

  • Svazek periodika

    31

  • Číslo periodika v rámci svazku

    12

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    18

  • Strana od-do

    3975-3992

  • Kód UT WoS článku

    000407831200017

  • EID výsledku v databázi Scopus

    2-s2.0-85021845733