Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/53617
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorJack Asavanant-
dc.contributor.advisorChidchanok Lursinsap-
dc.contributor.authorPrem Junsawang-
dc.contributor.otherChulalongkorn University. Faculty of Science-
dc.date.accessioned2017-10-28T08:17:56Z-
dc.date.available2017-10-28T08:17:56Z-
dc.date.issued2007-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/53617-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2007en_US
dc.description.abstractArtificial neural networks (ANNs) have emerged as an alternative approach in modeling the runoff process in which the explicit form of the relationship between the variables involved is unknown. This thesis focuses on the implementation of artificial neural network to forecast the three hourly discharge in the small watershed area with limited hydrologic data. Data for model calibration and validation are obtained from only one available hydrologic station (P.64) at the Mae Tuen River in Om Koi District, Chiang Mai Province located in the northern part of Thailand. The watershed is small with approximately 503 square kilometers. It has a distinct hydrologic feature with relatively little information on topography and runoff data. A feedforward backpropagation ANN is used to model and forecast the three hourly discharge. Rainfall-runoff relationship in this studied area was previously investigated by Pukdeboon (2001). He used the Tank model, originally proposed by Sugawara (1974), to forecast the three hourly discharge for the wet- and dry- periods. Based on the same set of hydrologic data, comparisons of the predicted discharge from the Tank model and ANN are presented. The results showed that the average relative error computed from the ANN (10.17%) substantially decreased when comparing with the average relative error computed Tank model (41.35%). The performance evaluation of these two models, based on various statistics, are presented and discussed.en_US
dc.description.abstractalternativeแบบจำลองโครงข่ายประสาทประดิษฐ์ถือได้ว่าเป็นอีกแนวทางหนึ่งที่นำมาใช้ในการจำลอง กระบวนการของการเกิดน้ำท่าโดยที่ไม่ทราบความสัมพันธ์ของตัวแปรที่เกี่ยวข้องกับกระบวนการทางฟิสิกส์ วิทยานิพนธ์นี้มุ่งเน้นในการประยุกต์ใช้แบบจำลองโครงข่ายประสาทประดิษฐ์ในการทำนายอัตราการไหลของ น้ำท่า ราย 3 ชั่วโมง ในลุ่มน้ำขนาดเล็กที่มีข้อมูลทางอุทกวิทยาอยู่อย่างจำกัด โดยข้อมูลสำหรับใช้ใน ขั้นตอนการปรับค่าพารามิเตอร์ที่เกี่ยวข้องกับแบบจำลองและขั้นตอนการทดสอบแบบจำลองนั้น บันทึกจาก สถานีวัดข้อมูลทางอุทกวิทยาเพียงสถานีเดียว (P.64) ติดตั้งในบริเวณลุ่มน้ำแม่ตื่น อำเภออมก๋อย จังหวัด เชียงใหม่ ซึ่งอยู่ทางภาคเหนือของประเทศไทย ลุ่มน้ำกรณีศึกษานี้เป็นลุ่มน้ำขนาดเล็กมีพื้นที่ประมาณ 503 ตารางกิโลเมตรและมีลักษณะทางภูมิศาสตร์ที่เป็นลักษณะเฉพาะ มีข้อจำกัดของข้อมูลที่บันทึกได้ เกี่ยวกับลักษณะทางภูมิศาสตร์และข้อมูลน้ำท่า แบบจำลองโครงข่ายประสาทประดิษฐ์ที่นำมาใช้ทำนาย อัตราการไหลของน้ำท่า ราย 3 ชั่วโมงนั้นเป็นแบบฟีดฟอร์เวิร์ดแบ็คพรอบพะเกชัน โดยในลุ่มน้ำเดียวกันนี้ เคยมีการศึกษาเกี่ยวกับการหาความสัมพันธ์น้ำฝน-น้ำท่าโดยใช้แบบจำลองแทงค์ ( ซูกาวารา, 1974 ) สำหรับทำนายอัตราการไหลของน้ำท่าในช่วงปริมาณน้ำมากและปริมาณน้ำน้อย (ชุติพล, 2001) ในวิทยานิพนธ์เล่มนี้ ผู้วิจัยนำเสนอการเปรียบเทียบผลการทำนายอัตราการไหลที่ได้จากทั้งสองแบบจำลอง โดยใช้ข้อมูลทางอุทกศาสตร์ชุดเดียวกันซึ่งผลที่ได้พบว่า ค่าความผิดพลาดสัมพัทธ์เฉลี่ยที่ได้จากแบบจำลอง โครงข่ายประสาทประดิษฐ์ (10.17%) มีค่าลดลงเมื่อเปรียบเทียบกับค่าความผิดพลาดสัมพัทธ์เฉลี่ยที่ได้จาก แบบจำลองแทงค์ (41.35%) โดยในงานนี้จะนำเสนอและอภิปรายเกี่ยวกับการวัดประสิทธิภาพทางสถิติของ แบบจำลองทั้งสองแบบนี้en_US
dc.language.isoenen_US
dc.publisherChulalongkorn Universityen_US
dc.relation.urihttp://doi.org/10.14457/CU.the.2007.2013-
dc.rightsChulalongkorn Universityen_US
dc.subjectNeural networks (Computer science) -- Mathematical modelsen_US
dc.subjectHydrological forecastingen_US
dc.subjectWater forecastingen_US
dc.subjectRunoff -- Forecastingen_US
dc.subjectนิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) -- แบบจำลองทางคณิตศาสตร์en_US
dc.subjectพยากรณ์ทางอุทกวิทยาen_US
dc.subjectพยากรณ์น้ำen_US
dc.subjectน้ำท่า -- พยากรณ์en_US
dc.titleArtifical neural network model for rainfall-runoff relationshipen_US
dc.title.alternativeแบบจำลองโครงข่ายประสาทประดิษฐ์สำหรับความสัมพันธ์น้ำฝน-น้ำท่าen_US
dc.typeThesisen_US
dc.degree.nameMaster of Scienceen_US
dc.degree.levelMaster's Degreeen_US
dc.degree.disciplineComputational Scienceen_US
dc.degree.grantorChulalongkorn Universityen_US
dc.email.advisorajack@chula.ac.th-
dc.email.advisorChidchanok.L@Chula.ac.th-
dc.identifier.DOI10.14457/CU.the.2007.2013-
Appears in Collections:Sci - Theses

Files in This Item:
File Description SizeFormat 
prem_ju_front.pdf1.24 MBAdobe PDFView/Open
prem_ju_ch1.pdf893.08 kBAdobe PDFView/Open
prem_ju_ch2.pdf1.56 MBAdobe PDFView/Open
prem_ju_ch3.pdf3.35 MBAdobe PDFView/Open
prem_ju_ch4.pdf1.32 MBAdobe PDFView/Open
prem_ju_ch5.pdf388.87 kBAdobe PDFView/Open
prem_ju_back.pdf1.2 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.