This HTML5 document contains 41 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n9http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n15http://linked.opendata.cz/ontology/domain/vavai/
n10http://linked.opendata.cz/resource/domain/vavai/zamer/
n17http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F00020711%3A_____%2F08%3A00002136%21RIV08-MZP-00020711/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n3http://linked.opendata.cz/ontology/domain/vavai/riv/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n7http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n12http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n16http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n13http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n11http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n4http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n8http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F00020711%3A_____%2F08%3A00002136%21RIV08-MZP-00020711
rdf:type
skos:Concept n15:Vysledek
dcterms:description
Rainfall-runoff process in hydrological system can be successfully modelled by black-box models. The representative black-box model is an Artificial Neural Network model (ANN) that was used in interdisciplinary problem treatment in the last decades. Applying ANN models is necessary to choose properly the input variables and include only those that correlate with output and can successfully explain the output. Engaging the irrelevant or redundant input variables can lead to too complex structures of ANN model and its overparametrization. Instead of measured rainfalls, a rainfall data modified to Antecedent Precipitation Indexes (API) can be used as input variables. The aim of this article is the evaluation of optimal number of inputs into the ANN rainfall- runoff model. Při modelování srážko-odtokového procesu v hydrologickém systému lze úspěšně využívat black-boxové modely. Typickým zástupcem těchto modelů je model umělé neuronové sítě (ANN - Artificial Neural Network), který byl v posledních desetiletích využit při řešení problémů v různých vědních oborech. Při aplikaci modelů umělých neuronových sítí je nutné dobře uvážit veličiny, které budou do modelu vstupovat, a zařadit jen ty, které korelují s výstupem a mají tedy potenciál úspěšně jej vysvětlit. Zařazení nerelevantních nebo nadbytečných vstupních veličin může vést k příliš komplexním strukturám modelu ANN a jeho přeparametrizování. Jako vstupní veličiny mohou být, kromě měřených srážek, použita upravená srážková data jako jsou ukazatele předchozích srážek (API – Antecedent precipitation index). Hlavním cílem tohoto příspěvku je vyhodnocení optimálního počtu vstupů do srážko-odtokového modelu ANN. Při modelování srážko-odtokového procesu v hydrologickém systému lze úspěšně využívat black-boxové modely. Typickým zástupcem těchto modelů je model umělé neuronové sítě (ANN - Artificial Neural Network), který byl v posledních desetiletích využit při řešení problémů v různých vědních oborech. Při aplikaci modelů umělých neuronových sítí je nutné dobře uvážit veličiny, které budou do modelu vstupovat, a zařadit jen ty, které korelují s výstupem a mají tedy potenciál úspěšně jej vysvětlit. Zařazení nerelevantních nebo nadbytečných vstupních veličin může vést k příliš komplexním strukturám modelu ANN a jeho přeparametrizování. Jako vstupní veličiny mohou být, kromě měřených srážek, použita upravená srážková data jako jsou ukazatele předchozích srážek (API – Antecedent precipitation index). Hlavním cílem tohoto příspěvku je vyhodnocení optimálního počtu vstupů do srážko-odtokového modelu ANN.
dcterms:title
Využití modelu neuronové sítě v modelování průtoků Application of neural network model in discharge modelling Využití modelu neuronové sítě v modelování průtoků
skos:prefLabel
Application of neural network model in discharge modelling Využití modelu neuronové sítě v modelování průtoků Využití modelu neuronové sítě v modelování průtoků
skos:notation
RIV/00020711:_____/08:00002136!RIV08-MZP-00020711
n3:strany
9;10
n3:aktivita
n13:Z
n3:aktivity
Z(MZP0002071101)
n3:cisloPeriodika
3
n3:dodaniDat
n8:2008
n3:domaciTvurceVysledku
n9:6853080
n3:druhVysledku
n4:J
n3:duvernostUdaju
n12:S
n3:entitaPredkladatele
n17:predkladatel
n3:idSjednocenehoVysledku
404703
n3:idVysledku
RIV/00020711:_____/08:00002136
n3:jazykVysledku
n16:cze
n3:klicovaSlova
model input; neural network; small catchment; R software
n3:klicoveSlovo
n7:neural%20network n7:R%20software n7:small%20catchment n7:model%20input
n3:kodStatuVydavatele
CZ - Česká republika
n3:kontrolniKodProRIV
[757651431F38]
n3:nazevZdroje
VTEI
n3:obor
n11:DA
n3:pocetDomacichTvurcuVysledku
1
n3:pocetTvurcuVysledku
1
n3:rokUplatneniVysledku
n8:2008
n3:svazekPeriodika
50
n3:tvurceVysledku
Ředinová, Jana
n3:zamer
n10:MZP0002071101
s:issn
0322-8916
s:numberOfPages
2