Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
The Analytical CRM OLAP Analysis Tools and Data Mining Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Prediction of Sedimentation in an Arid Watershed Using BPNN and ANFIS

verfasst von : Sandeep Samantaray, Abinash Sahoo, Dillip K. Ghose

Erschienen in: ICT Analysis and Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Suspended sediment model and predicting its concentration in a natural stream are important fundamentals in managing water recourses policy worldwide. Present investigation considers adaptive neuro-fuzzy inference system (ANFIS) and backpropagation neural network (BPNN) to model suspended sediment load (SSL). Rainfall, temperature and SSL data are used to train and validate the model from Mahanadi river in Odisha, India. The estimation results obtained by using the neuro-fuzzy technique are tested and contrasted to those of artificial neural networks (ANNs). Root mean squared errors (RMSE) and coefficient of determination (R2) are utilized as assessing criterion to evaluate the model performances. Based on research finding ANFIS provides superlative value of R2 is 0.9625 and 0.9814, but for BPNN it delivers 0.9376 and 0.9592, respectively. Assessment outcomes show that ANFIS is better suited to apply for estimating suspended sediment daily.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Sentiment Extraction from Image-Based Memes Using Natural Language Processing and Machine Learning
Nächstes Kapitel Design of Microservices Architecture for Home Automation
Literatur
1.
Kisi O (2005) Suspended sediment estimation using neuro-fuzzy and neural network approaches/Estimation des matières en suspension par des approches neurofloueset à base de réseau de neurones. Hydrol Sci J 50(4)
2.
Rajaee T, Mirbagheri SA, Zounemat-Kermani M, Nourani V (2009) Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Sci Tot Environ 407(17):4916–4927CrossRef
3.
Nourani V, Alizadeh F, Roshangar K (2015) Capability of adaptive neuro-fuzzy inference system to model suspended sediment transport (A Case Study: Ajichay River)
4.
Khan MYA, Tian F, Hasan F, Chakrapani GJ (2019) Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin India. Int J Sediment Res 34(2):95–107CrossRef
5.
Tayfur G, Guldal V (2006) Artificial neural networks for estimating daily total suspended sediment in natural streams. Hydrol Res 37(1):69–79CrossRef
6.
Nivesh S, Kumar P (2018) River suspended sediment load prediction using neuro-fuzzy and statistical models: Vamsadhara river basin India. World 2:1
7.
Kisi O, Zounemat-Kermani M (2016) Suspended sediment modeling using neuro-fuzzy embedded fuzzy c-means clustering technique. Water Res Manag 30(11):3979–3994CrossRef
8.
Kaveh K, Bui MD, Rutschmann P (2017) A comparative study of three different learning algorithms applied to ANFIS for predicting daily suspended sediment concentration. Int J Sediment Res 32(3):340–350CrossRef
9.
Bisoyi N, Gupta H, Padhy NP, Chakrapani GJ (2019) Prediction of daily sediment discharge using a back propagation neural network training algorithm: a case study of the Narmada River India. Int J Sediment Res 34(2):125–135CrossRef
10.
Kisi O, Haktanir T, Ardiclioglu M, Ozturk O, Yalcin E, Uludag S (2009) Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Adv Eng Softw 40(6):438–444CrossRef
11.
Nagy HM, Watanabe KAND, Hirano M (2002) Prediction of sediment load concentration in rivers using artificial neural network model. J Hydraul Eng 128(6):588–595CrossRef
12.
Buyukyildiz M, Kumcu SY (2017) An estimation of the suspended sediment load using adaptive network based fuzzy inference system, support vector machine and artificial neural network models. Water Res Manag 31(4):1343–1359CrossRef
13.
Kisi O, Shiri J (2012) River suspended sediment estimation by climatic variables implication: comparative study among soft computing techniques. Comput Geosci 43:73–82CrossRef
14.
Samantaray S, Sahoo A (2020) Assessment of sediment concentration through RBNN and SVM-FFA in arid watershed, India. In: Satapathy S, Bhateja V, Mohanty J, Udgata S (eds) Smart intelligent computing and applications. Smart innovation, systems and technologies, vol 159. Springer, Singapore
15.
Samantaray S, Sahoo A, Ghose DK (2019) Assessment of runoff via precipitation using neural networks: watershed modelling for developing environment in arid region. Pertanika J Sci Technol 27(4):2245–2263
16.
Samantaray S, Ghose DK (2019) Sediment assessment for a watershed in arid region via neural networks. Sādhanā 44(10):219
17.
Jang JSR (1993) ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans Syst Man Cybern 23(3):665–685CrossRef
Metadaten
Titel
Prediction of Sedimentation in an Arid Watershed Using BPNN and ANFIS
verfasst von
Sandeep Samantaray
Abinash Sahoo
Dillip K. Ghose
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
ICT Analysis and Applications

Print ISBN: 978-981-15-0629-1

Electronic ISBN: 978-981-15-0630-7

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-15-0630-7_29

Neuer Inhalt

    Bildnachweise