×
Ozan Evkaya，O。;塞文·库尔纳兹，法特玛

利用转换后的时间序列数据，使用神经网络方法预测干旱。 （英语） Zbl 1521.62435号

J.应用。斯达。 48，编号13-15，2591-2606（2021）.
摘要：干旱是全世界最重要、代价最高的灾害之一。随着气候变化进程的加快，其发生频率和负面影响迅速增加。至关重要的是启动并维持一个预警系统，以监测和预测未来干旱的可能影响。最近，随着数据驱动模型的兴起，各种案例研究都是使用机器学习算法进行的，而不是使用纯统计方法。本文的主要目标是对马尔马拉地区的一个气象站进行干旱预测研究。为此，首先，对布尔萨站广泛使用的单变量干旱指数——标准化降水指数进行了计算。然后，考虑从时间序列数据中检索到的历史信息及其小波变换，研究非线性自回归和具有外部输入的非线性自回归（NARX）型神经网络（NN）模型。根据一组拟合优度（Goodness-of-Fit，GOF）测试，比较了不同隐层神经元数的模型的预测性能。最近的研究结果表明，在（NARX-NN）下考虑数据的小波变换有利于提高干旱指数的预测能力。

引用于1文件

MSC公司：

62至XX 统计

关键词：

干旱指数;SPI公司;机器学习;人工神经网络;非线性自回归;小波

软件：

R（右）;Matlab公司;wmtsa公司
PDF格式BibTeX公司 XML格式引用
\textit{O.Ozan Evkaya}和\textit{F.SevinçKurnaz}，J.Appl。Stat.48，No.13--15，2591--2606（2021；Zbl 1521.62435）
全文： 内政部 链接

参考文献：

[1] Adamowski，J.，《使用小波和交叉小波变换模型进行河流流量预测》，水文学。工艺。，22, 4877-4891 (2008)
[2] Al-Sbou，Y.A。；Alawasa，K.M.，太阳辐射预测的非线性自回归回归神经网络模型，国际应用杂志。工程研究，12，4518-4527（2017）
[3] Alsumaiei，A.A。；Alrashidi，M.S.，《使用非线性自回归神经网络预测超干旱气候中的水文气象干旱》，《水》，122611（2020）
[4] Anjoy，P。；Paul，R.K.，基于小波的神经网络方法的比较性能，神经网络。计算。申请。，31, 3443-3453 (2019)
[5] Belayneh，A.M。；Adamowski，J.，使用神经网络、小波神经网络和支持向量回归进行标准降水指数干旱预测，应用。计算。智力。柔软。计算。，6, 1-13 (2012)
[6] Belayneh，A.M。；阿达莫夫斯基，J。；Khalil，B.，《使用小波变换和机器学习方法对埃塞俄比亚洪水流域进行短期SPI干旱预测》，Sustain。水。资源。管理。，187-101年2月（2016年）
[7] 卡恰马尼，C。；Morgillo，A。；Marchesi，S。；Pavan，V.，《在区域范围内监测和预测干旱：Emilia-Romagna地区》，《水科学》。Technol公司。伦敦银行同业拆借利率。，62, 29-48 (2007)
[8] Cancelliere，A.、di Mauro，G.、Bonaccorso，B.和Rossi，G.，《干旱指数的随机预测》，载于《干旱分析和管理的方法和工具》，G.Rossi，T.Vega和B.Bonaccouro，eds.，荷兰施普林格，多德雷赫特，2007年，第83-100页。
[9] R： 用于统计计算的语言和环境。R核心团队，R统计计算基金会，奥地利维也纳，2017年；软件可用位置http://www.R-project.org/。
[10] Diaconescu，E.，使用NARX神经网络预测混沌时间序列，WSEAS Trans。计算。第3182-191号决议（2008年）
[11] Husak，G.J。；C.C.Funk。；迈克尔森，J。；马加齐尔，T。；Goldsberry，K.P.，《制定粮食安全预警的季节性降雨情景》，Theor。申请。气候。，114, 291-302 (2013)
[12] Katip，A.，土耳其布尔萨市使用人工神经网络进行气象干旱分析，Appl。经济。环境。第16号决议，3315-3332（2018）
[13] M.M.H.Khan。；穆罕默德，N.S。；el-Shafie，A.，气象干旱指数检测土壤水分干旱的能力，J.Hydrol。，590 (2020)
[14] Kim，T.W。；Valdes，J.B.，基于小波变换和神经网络结合的干旱预测非线性模型，J.Hydrol。工程，6319-328（2003）
[15] Lloyd-Hughes，B.，普遍干旱定义的不切实际，Theor。申请。气候。，117, 607-611 (2014)
[16] MATLAB 2019b版。The MathWorks，Inc.，美国马萨诸塞州纳蒂克。，2019
[17] McKee，T.、Doesken，N.和Kleist，J.，《干旱频率和持续时间与时间尺度的关系》，第八届应用气候学会议，1993年1月12日至17日，第179-184页
[18] Mehr，A.D。；Kahya，E。；Øzger，M.，《长周期干旱预测的基因小波模型》，J.Hydrol。，517, 691-699 (2014)
[19] Mishra，A.K。；Desai，V.R.，使用前馈递归神经网络进行干旱预测，生态。模型。，198, 127-138 (2006)
[20] 米什拉，N。；香港索尼。；夏尔马，S。；Upadhyay，A.K.，利用时间序列数据开发和分析用于降雨预测的人工神经网络模型，Int.J.Intell。系统。申请。，1, 16-23 (2018)
[21] 穆罕默德，L.B。；Hamdan，医学硕士。；Abdelhafez，E.A。；Shaheen，W.，基于非线性自回归外生（NARX）神经网络的逐时太阳辐射预测，Jordan J.Mech。工业工程，7，11-18（2013）
[22] Nason，G.P.和von Sachs，R.，时间序列分析中的小波，Philos。变速器。R.Soc.B生物学。科学。357 (1999). 可在https://researchgate.net/publication/5068418_Wavelets_in_Time_Series_Analysis。 ·Zbl 1054.62583号
[23] 努拉尼，V。；Tahershamsi，A。；沙拉比，J。；Hadavandi，E.，基于小波变换和遗传模糊系统的降雨径流过程建模新混合算法，J.Hydroninform。，16, 1004-1024 (2014)
[24] Pamuccu，P。；塞伦吉尔，Y。；Yurtseven，I.，《森林覆盖、土地利用变化和气候变化对土耳其马尔马拉盆地水资源的作用》，《森林》，第8期，第480-486页（2014年）
[25] Percival，D.B。；Walden，A.T.，《时间序列分析的小波方法》（2000），伦敦：伦敦，剑桥大学出版社·兹比尔0963.62079
[26] O·雷诺。；斯塔克·J·L。；Murtagh，F.，《基于多尺度分解的预测》，《国际小波》。多分辨率。信息处理。，1, 217-232 (2003) ·Zbl 1041.62080号
[27] Stepchenko，A.和Chizhov，J.，使用递归神经网络进行NDVI短期预测，《第十届国际科学与实践会议论文集》，2015年第3卷，第180-185页。
[28] Thom，H.C.S.，关于伽马分布的注释，周一。我们。版次：86、117-122（1958）
[29] Wilks，D.S.，《大气科学中的统计方法简介》（1995），美国加利福尼亚州圣地亚哥：美国加利福尼亚州圣迭戈，学术出版社
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。