For forecasting monthly precipitati

For forecasting monthly precipitation in an arid region, the feed forward back-propagation, radial basis function and generalized regression artificial neural networks (ANNs) are used in this study. The ANN models are improved after incorporation of a Markov chain-based algorithm (MC-ANNs) with which the percentage of dry months is forecasted perfectly, thus generation of any non-physical negative precipitation is eliminated. Due to the fact that recorded precipitation time series are usually shorter than the length needed for a proper calibration of ANN models, synthetic monthly precipitation data are generated by Thomas-Fiering model to further improve the performance of forecasting. For case studies from Jordan, it is seen that only a slightly better performance is achieved with the use of MC and synthetic data. A conditional statement is, therefore, established and imbedded into the ANN models after the incorporation of MC and support of synthetic data, to substantially improve the ability of the models for forecasting monthly precipitation in arid regions

Results (Thai) 1:

สำหรับการพยากรณ์ปริมาณน้ำฝนรายเดือนในพื้นที่แห้งแล้งฟีดไปข้างหน้าหลังการขยายพันธุ์, ฟังก์ชั่นพื้นฐานรัศมีและทั่วไปเทียมถดถอยเครือข่ายประสาท (ANNs) ถูกนำมาใช้ในการศึกษานี้ รุ่น ANN จะดีขึ้นหลังจากการรวมตัวกันของอัลกอริทึม Markov Chain-based (MC-ANNs) ที่อัตราร้อยละของเดือนแห้งคาดอย่างสมบูรณ์แบบจึงรุ่นใด ๆ ที่ไม่ใช่ทางกายภาพตกตะกอนเชิงลบจะถูกกำจัดออก เนื่องจากความจริงที่ว่าบันทึกเวลาแบบเร่งรัดมักจะสั้นกว่าระยะเวลาที่จำเป็นสำหรับการสอบเทียบที่เหมาะสมของแบบจำลอง ANN สังเคราะห์ข้อมูลปริมาณน้ำฝนรายเดือนจะถูกสร้างโดยรูปแบบโทมัส Fiering เพื่อปรับปรุงประสิทธิภาพการทำงานของการคาดการณ์ สำหรับกรณีศึกษาจากจอร์แดนจะเห็นได้ว่ามีเพียงประสิทธิภาพที่ดีขึ้นเล็กน้อยจะประสบความสำเร็จกับการใช้ MC และสังเคราะห์ข้อมูล คำสั่งที่มีเงื่อนไขคือ

Results (Thai) 2:

สำหรับการคาดการณ์การตกตะกอนรายเดือนในบริเวณที่แห้งแล้งฟีดไปข้างหน้าการแพร่กระจายการทำงานพื้นฐานของรัศมีและการถดถอยทั่วไปเครือข่ายประสาทเทียม (ANNs) จะใช้ในการศึกษานี้ รุ่น ANN ได้รับการปรับปรุงหลังจากการรวมตัวกันของอัลกอริทึมตามห่วงโซ่ Markov (MC-ANNs) ที่มีเปอร์เซ็นต์ของเดือนแห้งที่คาดการณ์ได้อย่างสมบูรณ์แบบ, จึงสร้างของการตกตะกอนลบใดๆที่ไม่ใช่ทางกายภาพจะถูกตัดออก. เนื่องจากความจริงที่ว่าบันทึกการตกตะกอนชุดเวลามักจะสั้นกว่าความยาวที่จำเป็นสำหรับการสอบเทียบที่เหมาะสมของรุ่น ANN ข้อมูลการตกตะกอนรายเดือนสังเคราะห์จะถูกสร้างขึ้นโดยรุ่น Thomas Fiering เพื่อปรับปรุงประสิทธิภาพการทำงานของการคาดการณ์ . สำหรับกรณีศึกษาจากประเทศจอร์แดน, มันจะเห็นได้ว่ามีประสิทธิภาพที่ดีกว่าเล็กน้อยจะประสบความสำเร็จกับการใช้งานของ MC และข้อมูลสังเคราะห์. คำสั่งแบบมีเงื่อนไขคือดังนั้นจึงก่อตั้งขึ้นและเป็นที่ยอมรับในรุ่น ANN หลังจากการรวมตัวของ MC และการสนับสนุนของข้อมูลสังเคราะห์เพื่อปรับปรุงความสามารถของรุ่นสำหรับการคาดการณ์การตกตะกอนรายเดือนในพื้นที่แห้งแล้ง

Results (Thai) 3:

ในกระดาษนี้ไปข้างหน้าไปข้างหน้าย้อนกลับการแพร่กระจายฟังก์ชันพื้นฐานรัศมีและแอนใช้ในการพยากรณ์ปริมาณน้ำฝนรายเดือนในพื้นที่ที่แห้งแล้ง แบบจำลองโครงข่ายประสาทเทียมดีขึ้นโดยการใช้ขั้นตอนวิธีลูกโซ่มาร์คอฟซึ่งสามารถทำนายเปอร์เซ็นต์ของเดือนที่แห้งแล้งดังนั้นการตกตะกอนที่ไม่ใช่ทางกายภาพจะถูกตัดออก เนื่องจากการบันทึกอนุกรมเวลามักจะสั้นกว่าความยาวที่จำเป็นสำหรับการแก้ไขที่ถูกต้องของแบบจำลองโครงข่ายประสาทเทียม สำหรับกรณีศึกษาจากจอร์แดนเราพบว่าประสิทธิภาพที่ดีขึ้นเล็กน้อยในการใช้ MC และข้อมูลสังเคราะห์ ดังนั้นหลังจากการเพิ่มการสนับสนุนของ MC และข้อมูลที่ครอบคลุมในรูปแบบโครงข่ายประสาทเทียมงบเงื่อนไขที่ถูกสร้างขึ้นและฝังตัว