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”

Scaling an Artificial Neural Network-Based Water Quality Index Model from Small to Large Catchments

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F22%3A00357899" target="_blank" >RIV/68407700:21110/22:00357899 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3390/w14060920" target="_blank" >https://doi.org/10.3390/w14060920</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/w14060920" target="_blank" >10.3390/w14060920</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Scaling an Artificial Neural Network-Based Water Quality Index Model from Small to Large Catchments

  • Popis výsledku v původním jazyce

    Scaling models is one of the challenges for water resource planning and management, with the aim of bringing the developed models into practice by applying them to predict water quality and quantity for catchments that lack sufficient data. For this study, we evaluated artificial neural network (ANN) training algorithms to predict the water quality index in a source catchment. Then, multiple linear regression (MLR) models were developed, using the predicted water quality index of the ANN training algorithms and water quality variables, as dependent and independent variables, respectively. The most appropriate MLR model has been selected on the basis of the Akaike information criterion, sensitivity and uncertainty analyses. The performance of the MLR model was then evaluated by a variable aggregation and disaggregation approach, for upscaling and downscaling proposes, using the data from four very large- and three large-sized catchments and from eight medium-, three small- and seven very small-sized catchments, where they are located in the southern basin of the Caspian Sea

  • Název v anglickém jazyce

    Scaling an Artificial Neural Network-Based Water Quality Index Model from Small to Large Catchments

  • Popis výsledku anglicky

    Scaling models is one of the challenges for water resource planning and management, with the aim of bringing the developed models into practice by applying them to predict water quality and quantity for catchments that lack sufficient data. For this study, we evaluated artificial neural network (ANN) training algorithms to predict the water quality index in a source catchment. Then, multiple linear regression (MLR) models were developed, using the predicted water quality index of the ANN training algorithms and water quality variables, as dependent and independent variables, respectively. The most appropriate MLR model has been selected on the basis of the Akaike information criterion, sensitivity and uncertainty analyses. The performance of the MLR model was then evaluated by a variable aggregation and disaggregation approach, for upscaling and downscaling proposes, using the data from four very large- and three large-sized catchments and from eight medium-, three small- and seven very small-sized catchments, where they are located in the southern basin of the Caspian Sea

Klasifikace

  • Druh

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

  • CEP obor

  • OECD FORD obor

    10503 - Water resources

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Water

  • ISSN

    2073-4441

  • e-ISSN

    2073-4441

  • Svazek periodika

    14

  • Číslo periodika v rámci svazku

    6

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    21

  • Strana od-do

  • Kód UT WoS článku

    000774430900001

  • EID výsledku v databázi Scopus

    2-s2.0-85127334644