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:
From Rainwater Harvesting to Rainwater Management Systems Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Real-Time Water Level Prediction Based on Artificial Neural Networks

verfasst von : Berkhahn Simon, Neuweiler Insa, Fuchs Lothar

Erschienen in: New Trends in Urban Drainage Modelling

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Urban flooding is often characterised by short lead times. In combination with the uncertainty in precipitation forecasting, the real-time forecasting of urban flooding is still challenging. Fast physically based models are still too slow for the usage in real-time forecasting. Data driven models are suitable to face this problem. The present study deals with testing an artificial neural network based model for the prediction of water levels with two dimensional spatial distributions at the catchment surface. The model was tested for synthetic rain events in a prior study. In the present study the model is successfully tested for spatially uniform distributed natural rain events.

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 Automated Approach for Rainfall-Runoff Model Generation
Nächstes Kapitel Selection of Calibration Events for Modelling Green Urban Drainage
Literatur
Berkhahn, S., Fuchs, L., Neuweiler, I.: Artificial neural network for two-dimensional urban flood simulation and real-time forecasting. In: 14th International Conference on Urban Drainage (2017)
Chang, F.J., Chen, P.A., Lu, Y.R., Huang, E., Chang, K.Y.: Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control. J. Hydrol. 517, 836–846 (2014)CrossRef
Chen, J.C., Shu, C.S., Ning, S.K., Chen, H.W.: Flooding probability of urban area estimated by decision tree and artificial neural networks. J. Hydroinform. 10(1), 57–67 (2008)CrossRef
Dalton, J., Deshmane, A.: Artificial neural networks. IEEE Potentials 10(2), 33–36 (1991)CrossRef
Duncan, A., Keedwell, E., Djordjevic, S., Savic, D.: Machine learning-based early warning system for urban flood management. In: International Conference on Flood Resilience 2013 (2013)
Duncan, A., Chen, A.S., Keedwell, E., Djordjevic, S., Savic, D.: Urban flood prediction in real-time from weather radar and rainfall data using artificial neural networks, p. 351. IAHS Red Book (2011)
Henonin, J., Russo, B., Mark, O., Gourbesville, P.: Real-time urban flood forecasting and modelling–a state of the art. J. Hydroinform. 15(3), 717–736 (2013)CrossRef
Hung, N.Q., Babel, M.S., Weesakul, S., Tripathi, N.K.: An artificial neural network model for rainfall forecasting in Bangkok, Thailand. Hydrol. Earth Syst. Sci. Dis. 5(1), 183–218 (2008)CrossRef
Itwh: HYSTEM-EXTRAN 2D Modellbeschreibung (HYSTEM EXTRAN 2D model description). Institut für technisch-wissenschaftliche Hydrologie GmbH, Hannover (2015)
Schellart, A., Ochoa, S., Simões, N., Wang, L.P., Rico-Ramirez, M., Liguori, S., Duncan, A., Chen, A.S., Keedwell, E., Djordjevic, S., Savic, D., Saul, A., Maksimović, Č.: Urban pluvial flood modelling with real time rainfall information–UK case studies. In: 12th International Conference on Urban Drainage (2011)
Metadaten
Titel
Real-Time Water Level Prediction Based on Artificial Neural Networks
verfasst von
Berkhahn Simon
Neuweiler Insa
Fuchs Lothar
Copyright-Jahr
2019
Buch
New Trends in Urban Drainage Modelling

Print ISBN: 978-3-319-99866-4

Electronic ISBN: 978-3-319-99867-1

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-99867-1_104