التفاصيل البيبلوغرافية
| العنوان: |
Terrestrial water storage anomaly estimating using machine learning techniques and satellite‐based data (a case study of Lake Urmia Basin). |
| المؤلفون: |
Soltani, Keyvan, Azari, Arash |
| المصدر: |
Irrigation & Drainage; Feb2024, Vol. 73 Issue 1, p215-229, 15p |
| مصطلحات موضوعية: |
WATER storage, WATERSHEDS, MACHINE learning |
| الشركة/الكيان: |
EUROPEAN Centre for Medium-Range Weather Forecasts (Organization) |
| Abstract (English): |
In this study, the Terrestrial Water Storage Anomaly (TWSA) in the Lake Urmia Basin (LUB) was obtained by using the GRACE satellites. The whole study area was covered by 10 GRACE/GFO pixels, and the TWSA value was calculated for these 10 pixels. Examining the changing trend showed that the value of TWSA in the LUB has a decreasing trend and fluctuates from approximately −200 to +200 compared to the average value. The TWSA was modelled using the group method of data handling (GMDH) by considering six different parameters obtained from the European Centre for Medium‐Range Weather Forecasts (ECMWF) Reanalysis V5 (ERA5) and the Global Land Data Assimilation System version 2.0 (GLDAS V2.0). Finally, the best models with two to six input variables were selected. Among the models with different inputs, the GMDH Model 2, with three inputs, had the best performance compared to the other models. After choosing the best inputs in calculating the TWSA value by the GMDH, the TWSA value was also modelled by using the Adaptive Neuro‐Fuzzy Inference System (ANFIS), the Extreme Learning Machine (ELM) and the Artificial Neural Network (ANN). The results showed that GMDH not only outperformed other models but also provided some simple equations to apply in practical tasks. [ABSTRACT FROM AUTHOR] |
| Abstract (French): |
Résumé: Dans le cadre de cette étude, l'anomalie de stockage des eaux terrestres dans le bassin du lac Urmia a été obtenue à l'aide des satellites GRACE et GFO. L'ensemble de la zone d'étude a été couvert par 10 pixels GRACE/GFO, et la valeur TWSA a été calculée pour ces 10 pixels. L'examen de l'évolution de la tendance a montré que la valeur de la SRT dans les oat a une tendance à la baisse et fluctue d'environ −200 à +200 par rapport à la valeur moyenne. Le TWSA a été modélisé à l'aide de la méthode du groupe de traitement des données (GMDH) en tenant compte de six paramètres différents obtenus à partir de la réanalyse V5 (ECMWF: Centre européen pour les prévisions météorologiques à moyen terme) (ERA5) et du Global Land Data Assimilation System version 2.0 (GLDAS V2.0). Enfin, les meilleurs modèles avec deux à six variables d'entrée ont été sélectionnés. Parmi les modèles avec différentes entrées, le modèle GMDH‐M2, avec 3 entrées, a obtenu les meilleures performances par rapport aux autres modèles. Après avoir choisi les meilleures entrées dans le calcul de la valeur TWSA par GMDH, la valeur TWSA a également été modélisée en utilisant le système d'inférence neuro‐floue adaptative (ANFIS), le modèle de probabilité d'élaboration (ELM), et le réseau de neurones artificiels (ANN). Les résultats ont montré que GMDH non seulement a surpassé d'autres modèles, mais a également fourni quelques équations simples à appliquer dans des tâches pratiques. [ABSTRACT FROM AUTHOR] |
|
Copyright of Irrigation & Drainage is the property of Wiley-Blackwell and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| قاعدة البيانات: |
Complementary Index |
Full Text Finder