Vorhersage und Modellierung des Zuflusses für einen saisonalen Speicher

• Vorhersage des Reservoirzuflusses für ein teilweise gemessenes Einzugsgebiet. • Integration von neuronalen Netzwerken und mathematischen Modellen zur Erzielung zuverlässiger Ergebnisse. • Erfassung der Variation in der Modellierung durch polynomialen Modell. • Die statistische Korrelation zwischen den Variablen wurde zur Vorhersage des Zuflusses festgestellt. Die Vorhersage der Zuflüsse wurde unternommen, um das Wassermanagementsystem zu stärken. Die Zuflüsse wurden für das teilweise gemessene Einzugsgebiet des Hemavathi-Flusses vorhergesagt. Die verschiedenen Modelle, die die Korrelation erfassen, wurden verwendet, um den Fluss für die Monsun- und die Nachmonsunzeit vorherzusagen. Diese entwickelten Modelle wurden hinsichtlich Zuverlässigkeit und Eignung bei der Vorhersage analysiert. Diese Modelle wurden durch statistische Indikatoren bewertet. Absolute Fehler der Parameter wurden ermittelt, um das bestleistungsstärkste Modell zu bewerten. Das beste Modell (polynomiell) unter allen deterministischen Modellen wurde verwendet, um Strömungen zu erzeugen. Ferner wurde das neuronale Netzwerkmodell unter Berücksichtigung der erzeugten Strömungen für den Hemavathi-Speicher, Karnataka, Indien, trainiert und bewertet. Das trainierte Backpropagation-Neuronale Netzwerk mit überwachtem Lernen wurde in Betracht gezogen. Das Zuflussmodell wurde aus den statistischen Leistungen validiert. Das entwickelte Modell zeigte gute statistische Leistungen und bestimmte eine überlegene Zuverlässigkeit, zeigte eine höhere Kling-Gupta-Effizienz von 0.927 und einen minimalen absoluten Fehler von 0.939, was es zu einem ausgezeichneten Modell macht, auf das man sich verlassen kann.