The choice of rainfall as primary i

The choice of rainfall as primary input variable is supported by previous research. Hung [Hung et al., 2009] for example, describes ANN models that could

easily identify the patterns characterizing rainfall when using the rainy periods data as training data. Rainfall forecasts from trained artificial neural networks were more accurate than predictions from a simple persistent method that was also studied. Their ANN models, however, used a combination of meteorological parameters, namely relative humidity, air pressure, wet bulb temperature and cloudiness

Kết quả (Việt) 1:

Sự lựa chọn của lượng mưa như chính biến đầu vào được hỗ trợ bởi các nghiên cứu trước đây. Hưng [Hưng và ctv., 2009] Ví dụ, mô tả các mô hình ANN có thể dễ dàng xác định các mẫu characterizing mưa khi sử dụng các dữ liệu trong thời gian mưa như đào tạo dữ liệu. Dự báo lượng mưa từ đào tạo mạng nơ-ron nhân tạo đã chính xác hơn so với dự báo từ một phương pháp đơn giản liên tục cũng được nghiên cứu. Các mô hình ANN, Tuy nhiên, sử dụng một sự kết hợp của các thông số khí tượng, cụ thể là độ ẩm tương đối, Máy áp suất, nhiệt độ ẩm ướt bóng đèn và cloudiness

Kết quả (Việt) 2:

Sự lựa chọn của mưa như biến đầu vào tiểu học được hỗ trợ bởi các nghiên cứu trước đó. Hưng [Hưng et al., 2009] ví dụ, mô tả mô hình ANN có thể

dễ dàng xác định các mô hình đặc trưng cho lượng mưa khi sử dụng dữ liệu giai đoạn mưa nhiều như dữ liệu huấn luyện. Dự báo lượng mưa từ các mạng thần kinh nhân tạo được đào tạo là chính xác hơn những dự đoán từ một phương pháp đơn giản mà dai dẳng cũng đã được nghiên cứu. Mô hình ANN của họ, tuy nhiên, sử dụng một sự kết hợp của các yếu tố khí tượng, độ ẩm tương đối cụ thể, áp suất không khí, nhiệt độ bầu ướt và vẩn đục