气象学的进展

PDF
气象学的进展/2021/文章

研究文章|开放获取

体积 2021 |文章的ID 6615152 | https://doi.org/10.1155/2021/6615152

奥米德·哈米迪,哈米德·阿巴西,哈米德·米尔哈希米 城市用水量对气候变量的响应分析——以伊朗霍拉马巴德市为例”,气象学的进展 卷。2021 文章的ID6615152 14 页面 2021 https://doi.org/10.1155/2021/6615152

城市用水量对气候变量的响应分析——以伊朗霍拉马巴德市为例

学术编辑器:近红外光谱y科莱考尔
收到了 2020年12月03
接受 2021年3月08
发表 2021年3月19日

摘要

伊朗位于干燥气候带。这种情况使得城市水资源的供应成为最根本的管理挑战之一。一个城市的用水量受天气状况的影响很大,随着天气的变化,用水量也会发生变化。本研究采用零阶Pearson相关系数、一阶Pearson相关、广义加性模型(GAM)、广义线性模型(GLM)、支持向量机(SVM-Nu)和单纯形优化算法等多种模型,研究了月用水量对库拉玛巴德市气象变量(温度、气压和相对湿度)个体关联和组合关联的线性/非线性反应。零阶和一阶相关关系表明,通过控制气温,压力和相对湿度对耗水量变化的影响增加。另一方面,单个模型和组合模型在耗水量对相对湿度和气压变化的非线性响应上表现出相同的结果。样条方法还发现,消除气温的影响,耗水量对压力和相对湿度变化的非线性反应增加,消除相对湿度和气压的影响,耗水量对气温的非线性反应增强。一般来说,通过降低气压和温度,城市家庭用水量会急剧减少。这些条件通常通过进入低压系统来提供。

1.介绍

气候直接或间接地影响人类生活的许多方面,在任何时候都在决定社会的社会经济、文化和生理功能方面发挥着重要作用。水是人类生活最重要的决定因素之一,因此其数量和模式受到当时气候条件的影响。虽然用水的绝对数量主要取决于人口、技术水平、消费文化、生计类型和许多其他人类参数,但很明显,鉴于人类因素的相对稳定性,用水模式的发生在很大程度上取决于气候变量的月和季节频率。因此,气候被认为是影响中期耗水量变化的最重要因素。Xenochristou和Kapelan [1]认为用水量主要受环境和社会经济因素的影响。在这方面,Brelsford和Abbott指出,在1996年至2007年期间,美国拉斯维加斯的水政策的实施,使得用水量减少了53%,而人口增长却增加了63% [2].包括Zubaidi等人的研究[3.- - - - - -6, Falahi等[7,安萨里和萨莱尼亚[8Praskievicz和Chang [9,强调了气象变量在预测用水量中的重要作用。研究还表明,城市用水量对气温的响应为正,对降水的响应为负[610].研究还表明,耗水量对气象变量的响应强度是研究地点气候条件的函数。Kenney等[11研究表明,在半干旱气候的科罗拉多州,温度每升高1度,用水量就增加2%,降雨量每增加1英寸,用水量就减少4%。Balling和Gober [12在气候温暖干燥的亚利桑那州凤凰城进行的一项研究表明,降水增加1%会导致耗水量减少0.001%,而蒸发增加1%会导致耗水量增加0.464%。Polebitski在气候湿润温和的西雅图进行了一项研究,结果表明,7月和8月平均最高气温上升10%,用水量就会增加10%,而9月和10月气温上升10%,用水量就会增加4.5%。此外,5 - 6月总降水量增加10%,导致总用水量减少2.5% [13].

在不同的季节,一个特定地点的用水量对气象变量的响应强度是不同的。maid门特和Miaou研究表明耗水对降水的响应取决于降水的频率和降水的量,耗水对气温的响应是非线性的[14].mai门特等人通过研究德克萨斯州石城(Stone City, Texas)的水对温度变化的反应发现,在28℃以上的温度下,水的消耗强度有很大的变化(与13℃- 28℃之间的温度相比是6倍)[15].由于初夏耗水反应强度高于夏末,Chang等人认为相对湿度、蒸发量等其他变量也可以作为影响夏末耗水的气候因素[16].

众所周知,耗水量受随机性的人性化因素和动态性的气候因素的双重影响,导致耗水量时间序列信号的复杂性。因此,确定其对自变量的响应模式,并提供预测模型,可以成为每个地区该领域研究重点的一部分。因此,本研究旨在确定霍拉马巴德每月用水量对气候变量的线性和非线性反应(响应)。为此,利用GAM和单纯形优化算法等先进的建模技术,试图找出耗水量相对于各气象变量变化的粗/净响应,并研究不同气候条件下的耗水量响应。

2.材料和方法

2.1.数据及研究范围

这项研究是在霍拉马巴德市进行的,位于东经21°48′,北纬32°30′,海拔1170米,位于伊朗西部的扎格罗斯山脉(位于洛雷斯坦省)。使用2012年3月- 2018年3月的气温(摄氏度)、相对湿度(百分比)、气压(百帕)等气象数据和月用水量。为拟合三个气象变量与用水量之间的线性关系,采用零阶Pearson相关系数。同时,利用一阶Pearson相关系数得到了温度、相对湿度和压力对用水量的净影响。

零阶相关是计算两个变量之间的相关关系,不控制其他变量。偏相关是指两个变量之间的相关性,通过控制其他变量的作用,使其中一个变量的作用得到控制,称为一阶或一阶相关。在另一个步骤中,使用广义加性模型(GAM)来识别用水量对温度、相对湿度和气压的个别变化和综合变化的非线性响应。最后,以温度、相对湿度和气压为自变量,以耗水量为响应变量,分别采用广义线性模型(GLM)和支持向量机(SVM-Nu)建立了耗水量的线性和非线性模型。在此基础上,分别对GLM模型和SVM-Nu模型采用单纯形优化方法,探讨了3个气象变量相互协同或相互抵消的条件及其对耗水量的影响。

2.2.广义线性模型(GLM)

GLM是一种参数化模型,是线性模型的扩展。在该模型中,自变量和因变量之间的关系给出了一个公式[17]: 在哪里 是指数族的链接函数。

2.3.广义相加模型(GAM)

广义可加模型(GAM)是一种非参数统计模型,是广义可加模型的扩展[18].在这些模型中,不像参数模型,自变量和因变量之间的关系是允许非线性的。在这些模型中,假设响应变量具有一个属于指数分布族和均值的分布 与自变量(Xj),通过链接函数 事实上,GAM将线性模型中自变量的参数形式扩展为非参数形式[19),即

这里,我们假设fjs是自变量的未知平滑函数(Xj).具体地说,fj用先进的平滑技术估计数据。这些函数是相加的,这意味着每个预测器的效果可以单独检验[20.].这一特性导致在该模型中识别变量之间的非线性关系[21].

2.4.支持向量机(SVM)

支持向量机最早由Vapnik和Chervonenkis开发,是一套基于统计学习理论的算法[18].这种方法是一种基于监督学习的数据驱动模型,用于分类和回归问题。也就是说,它是一种在任意特征空间中进行分类的方法,是一种适合用于预测问题的方法。这种方法是一种分类器,它试图创建一个超平面,使每个类与超平面的距离最大化。最接近超平面的数据(称为支持向量)被用来测量这个距离[22].一般来说,这种方法是一种基于条件优化理论的高效学习系统,该理论使用结构最小化原则,从而获得整体最优解[23].

在支持向量回归中,预测因子之间考虑如下关系(X)及因变量[2124]:

通过优化损失函数得到回归系数[21]: 有以下约束条件:

在上述方程中,C> 0是容量常数,决定模型训练时发生错误时的惩罚, 回归系数是向量,和 而且 是决定训练误差上限和下限与允许误差量相关的缺陷系数, 此外,b是常数(偏置项),N是培训模式模式,又是 是核函数(将数据转移到高维空间,用于对高复杂度数据进行预测)。本研究采用径向基核函数,通过交叉验证得到其最优参数[21].

2.5.单纯形优化算法

单纯形算法[25]是一种基于优化算法的无梯度搜索技术,该算法用于在有限次迭代中最小化任意函数。这个算法适用于任意数量的连续变量,并且除了连续性之外,没有关于应该优化的函数的默认假设。必威2490该算法首先提供一个解,并测试解的最优性。如果优化是令人满意的,算法停止;否则,该算法通过绘制一个单纯形来检测另一个最优点。然后,对该方案进行了最优性检验。这个过程重复,直到收敛[23].本研究将单纯形算法应用于GLM和SVM生成的模型,并对各模型的模拟用水量进行优化。

3.结果与讨论

霍拉马巴德城市居民家庭的气温、相对湿度、气压、用水量等气象变量之间的Pearson相关结果见表1.正如所见,所有三个变量都与用水量有显著的关系 因变量与气压和相对湿度有间接关系,与温度有直接关系。我们的结果与Brentan等人的结果一致[26].由于霍拉马巴德暖季较冷季气温较高,气压和相对湿度较低,可见随着冷暖季节的变化,霍拉马巴德地区的耗水量有增加的趋势,然后出现一个季节循环。根据频率分析,在霍拉马巴德的用水量中也观察到这种频率为2.5个月和6个月的周期(图1).许多以前的研究也强调在水消耗的时间序列中存在月-季节周期。


变量 零相关 一阶关联
水的消耗 控制(温度) 控制(气压) 控制(相对湿度)

温度(°C) 0.57 - - - - - - 0.62 0.43
空气压力(hPa) −0.34 0.44 - - - - - - 0.11
相对湿度(%) −0.47 0.23 −0.36 - - - - - -

如表中计算的相关系数1度为零,这些气象变量对用水量的最终影响影响它们之间的相互作用,因此,这些系数并不意味着与这些变量之间的粗略关系。它们显示了它们与响应变量的一般关系。因此,上述各变量与用水量的总体关系(表1),由于其他变量的影响,两者之间的纯粹关系完全相反,无法正确理解用水量对这些变量的变化有何反应。必威2490正如Souza等人所做的一项研究[27对热带气候温暖湿润地区(巴西)来说,相对湿度与耗水量的相关系数为正,而多元回归中的beta系数呈下降趋势。这一统计差异表明控制相对湿度和用水量之间关系的中间变量的参与。

另一方面,为了研究气象变量对环境现象的影响,了解气象变量之间关系的过程和物理规律是必要的。必威2490根据全气体方程,确定温度和气压处于平衡模式,在该热力学方程中,气压被认为是空气温度的函数[28],即气压随空气温度变化或根据表示最终持湿能力的饱和蒸气压方程变化;除了大气湿度清单外,相对湿度也是空气温度的直接函数[29].

有了这些论点,根据这些变量的时间对齐,似乎它们与霍拉马巴德用水量的关系在很大程度上受到它们之间的内在关系的影响。因此,为了识别每个自变量对其他变量的控制影响,在一个组合过程中,计算每个自变量的微分相关系数,包括空气温度、空气压力和相对湿度。结果如表所示1

从这些系数可以看出,在气压和相对湿度不变的情况下,霍拉马巴德地区气温与用水量的关系没有显著变化。但是,在控制了空气温度后,气压和相对湿度与用水量之间的关系有统计学意义。因此,在控制空气温度后,气压和相对湿度与用水量的关系变为相反的关系,这两个变量直接影响用水量。通过评估位于西部和西南部移民/流动系统路径上的霍拉马巴德市的气候状况,也强调了这一成就的重要性[30.].

在一年中的某些时候,由于寒冷的低压和高压系统,霍拉马巴德的气候会发生变化。这样,通过进入低压气团,与冷高压气团相比,耗水量的下降速度要慢得多。由于前者的温度和压力值导致用水量的减少,而在后者中,这两个变量相互作用。

同样值得注意的是,热、低压空气大量进入以及动态暖高压等情况也是如此。一般来说,如果空气团有相同的温度,在霍拉马巴德的用水量中不应该期望有类似的变化。这一特征与霍拉玛巴德的通常和标准空气相反,在那里,炎热季节的最低气压以高温为基准,寒冷季节的高压以低温为基准,因此,5月的气压以9.6°C为基准,为887百帕;3月的气压以20°C为基准,为887百帕。然而,这些发现与空气温度和相对湿度有关。气温除直接影响外,还通过与气压和相对湿度的关系间接影响用水量。一般来说,如果其他变量的影响不保持不变,这些过程会导致霍拉马巴德用水量对每个气象变量的变化产生非线性反应。

采用多变量和单变量广义加性模型(GAM)来识别水消耗量对空气温度、相对湿度和气压变化的非线性反应。利用单位函数、逆函数和对数链接函数对模型进行高斯、伽马和泊松分布拟合,结果表明,对数链接函数的泊松GAM模型具有最佳的拟合效率。该模型的结果见表2.结果表明,各气象变量的非线性效应均具有统计学意义 该非线性模型的结果与零阶和一阶相关结果一致。


变量 个人GAM模型 复合GAM模型
自由度 模型的元素 价值 自由度 模型的元素 价值

空气压力(hPa) 3. −0.0144 < 0.001 4 0.0253 < 0.001
相对湿度(%) 3. −0.004 < 0.001 3.99 0.0049 < 0.001
温度(°C) 2 0.108 < 0.001 4 0.039 < 0.001

为了通过消除其他变量的影响来了解用水量对各变量变化的非线性响应,我们分别绘制了单模式和组合模式下的GAM模型平滑分量图(figure2- - - - - -7).对这些数据的评价表明,不仅耗水强度对各变量的变化变化到混合模式,而且其响应也有显著变化。这样,在个体模式下,气压变化呈先增大后减小的趋势,而在联合模式下,更集中地引起用水量的增加。一般情况下,在个体模式下,用水量随着压力的增加而增加,当压力达到884百帕时,用水量随着压力的增加而减少。通过去除其他变量的影响,空气压力在用水量中起协同作用。从图中样条曲线可以看出,在去除其他变量影响的情况下,用水量随着温度的升高而急剧增加,而在组合的设置中,用水量随着温度升高到15℃(强度相同)而增加,然后逐渐减少。考虑到气温低于15°C发生在冷季,平均气压和相对湿度比暖季最大,说明冷季耗水对温度变化的反应比暖季大。另一方面,maident和Miaou [14在德克萨斯州、佛罗里达州和宾夕法尼亚州(美国)引入了21°C的阈值。Akuoko为卡尔加里(加拿大)提供了15°C的阈值[29].Sarker等人引入了澳大利亚墨尔本15.53°C的阈值[30.].mai门与庙[14研究还显示,29°C到32°C的温度下,水的消耗比低于29°C的温度下多3到5倍。值得注意的是,这些温度阈值是通过微分单独计算的。虽然这些研究结果表明了水消耗对温度变化的非线性响应,但从功能的角度来看,它们是非常重要的。然而,它们并没有表现出温度对消费的净影响,因为没有对其他变量进行控制,而且这些阈值是通过模型的个别实现实现的。

单个环境下的耗水量对相对湿度的反应与组合环境下的相反。在个体设置下,用水量呈增加-减少的趋势,而在联合设置下,上界和下界的用水量强度比中界更严重。

为了使结果更容易理解,我们对温度、压力和相对湿度进行了5个月的移动平均时间序列分析,以消除季节内的变化,并提供更清晰的季节变化投影(图8).这是因为研究结果表明,在寒冷的季节,西部洋流在霍拉马巴德的气候变化中也发挥着重要作用。

图表中的情节8(一)和8(b))表明,冬、春、夏季节交替,气温逐渐升高,气压逐渐降低。样条分量图显示了空气压力、相对湿度和温度对用水量的净影响不断增加。因此,在某些条件下,这三个变量的组合可以协同影响用水量。同时,移动平均图显示温度对压力和相对湿度呈负趋势。虽然耗水量随冬夏季节变化而增加,但温度和相对湿度的负混合效应降低了温度对耗水量的影响。换句话说,与温暖季节相比,寒冷季节的耗水量对温度变化的反应更强烈。在较暖的季节,相对湿度和气压作为减水剂影响温度,从而降低温度变化对耗水量增加的影响。结果表明,各气象变量之间的线性相关系数随着用水量的增加而减小,从而建立了用水量对气象变量的非线性反应。

为了更精确地评估结果,我们使用支持向量机(SVM)和广义线性模型(GLM)来评估温度、压力和相对湿度与用水量的线性和非线性关系。然后,利用单纯形优化算法估计冬季和夏季用水量的线性和非线性响应。温度、压力、相对湿度的长期平均值见表3.


季节 温度(°C) 相对湿度(%) 空气压力(hPa)

冬天 8 60 892
夏天 29 20. 880
年度 18 41 886

根据年度、夏季和冬季的平均值,假设气压和相对湿度固定,利用SVM和GLM评估年度、夏季和冬季温度变化与用水量之间的线性和非线性关系。结果如图所示9- - - - - -11.此外,水消耗量对气压变化的响应(图12- - - - - -14)和相对湿度(图15- - - - - -17)的评估,在夏季和冬季的条件下,使用单纯形优化算法。结果表明,耗水量对温度变化的非线性反应大于线性反应。夏季和冬季的非线性反应比线性反应更严重、更慢。总的来说,冬季对气温的反应强度和斜率大于夏季。这些发现是由于温度对用水量的调节作用。在小区中,冬季气压和相对湿度对特定温度的响应明显高于夏季。这一结果证实了早期的结论,即低压冷空气团的进入对冬季用水量的减少有额外的作用。这是通过评估夏季和冬季的水对压力变化的响应图来实现的。

相对湿度对耗水量的总体影响呈下降趋势。但是,通过控制气温等其他变量的影响,表明在没有气温干预的情况下,相对湿度对耗水量的净效应在增加。因此,相对湿度对耗水量的负作用是由于耗水量和相对湿度与气温的关系,通过控制气温的作用,二者的关系逐渐增强。因此,在数据15- - - - - -17,气温对相对湿度与耗水量关系的影响已得到控制,因此两者之间的粗略关系呈递增趋势。年、冬季和夏季工况下用水量的线性和非线性响应图表明,气压对用水量的影响远低于夏季和年度工况。冬季和夏季的非线性响应曲线对比表明,一定的气压对夏季用水量的影响比冬季更为严重。与夏季条件相比,冬季和全年条件用水量对相对湿度的非线性反应大于线性反应。

4.结论

天气在城市用水量的时间格局中起着至关重要的作用。与季度和月度气候变化一样,月度和季节性的频率也出现在用水周期中。在这项研究中,气象变量的影响,包括温度,气压和相对湿度,在霍拉马巴德市进行了调查。采用了几种线性和非线性方法,同时应用这些方法的结果揭示了这些因素对用水量的影响的重要方面。

应用GAM和一阶相关的结果表明,温度、相对湿度和气压对用水量的线性和非线性影响在增加。单样条曲线显示相对湿度和气压对GAM和零相关的影响减弱。这可能是由于它们与空气温度的热力学关系。这是因为夏季(冬季)的最高(最低)温度是以最低(最高)温度和气压为基础的。对比4个月移动平均线,气压和相对湿度的变化趋势与气温的变化趋势相对应。这三个变量的反向时间趋势导致了效应强度的中和。GAM单样条曲线分析表明,高温和相对湿度对夏季耗水强度影响较小。

为了计算这些关联,首先利用GLM和SVM-Nu对温度、压力和相对湿度与用水量之间的线性和非线性关系进行建模。然后,在假设其他因素的影响是固定的情况下,利用单纯形优化算法评估用水量与特定品种的线性和非线性关联。在小区间,夏季用水量对特定压力和相对湿度的响应比冬季更强烈,而对特定温度的响应则相反。

关于这些发现,以及霍拉马巴德的气候不仅受当地变量的影响,而且还受其他因素的影响,如西部洋流在一年的某些部分,因为热力学-动力学系统不同于霍拉马巴德的传统气候条件;因此,在此条件下,温度、气压、相对湿度对耗水量的影响方向一致,对耗水量有巨大的累积效应。这种情况发生在深秋到春天的动态冷流。

数据可用性

支持本研究结果的数据可根据要求从通讯作者处获得。

的利益冲突

作者声明他们对这篇论文的发表没有利益冲突。

参考文献

  1. M. Xenochristou和Z. Kapelan,“一个带有偏差修正的集成堆叠模型,用于改进用水需求预测,”城市水杂志第17卷,no。3, pp. 212-223, 2020。视图:出版商的网站|谷歌学者
  2. C. Brelsford和J. K. Abbott,“节水?分解拉斯维加斯用水量减少的原因。”生态经济学, vol. 133, pp. 99-110, 2017。视图:出版商的网站|谷歌学者
  3. S. L. Zubaidi, I. H. Abdulkareem, K. S. Hashim等人,“混合人工神经网络模型与黏液霉菌算法:预测城市随机需水量的一种新方法,”第12卷,没有。10,第2692页,2020。视图:出版商的网站|谷歌学者
  4. S. L. Zubaidi, H. Al-Bugharbee, Y. R. Muhsen, K. Hashim, R. M. Alkhaddar和W. H. Hmeesh,“伊拉克市政用水需求的预测:巴格达省的一个案例研究”,载于2019第12届国际系统工程发展大会(DeSE)论文集, IEEE,喀山,俄罗斯,2019年10月。视图:谷歌学者
  5. S. L. Zubaidi, K. Hashim, S. Ethaib, N. S. S. Al-Bdairi, H. Al-Bugharbee和S. K. Gharghan,“基于天气变量情景预测每月城市用水需求的新方法,”沙特国王大学学报, 2020年。视图:出版商的网站|谷歌学者
  6. S. L. Zubaidi, S. Ortega-Martorell, P. Kot等人,“一种预测气候变化下长期市政用水需求的方法,”水资源管理第34卷,no。3,第1265-1279页,2020。视图:出版商的网站|谷歌学者
  7. M. A. Falahi, H. Ansari, S. Moghaddas,“评估家庭用水的影响因素并预测其需求:面板数据方法”,水浪费杂志第23卷,没有。4, pp. 78-87, 2012。视图:谷歌学者
  8. H. Ansari和N. Salehnia,“使用GAMA测试技术评估城市饮用水的有效参数,”水与废水杂志, 2014年第1期。视图:谷歌学者
  9. S. Praskievicz和H. Chang,“确定韩国首尔城市用水量和天气变量之间的关系,”自然地理第30卷,没有。4, pp. 324-337, 2009。视图:出版商的网站|谷歌学者
  10. P. Huntra和T. C. Keener,“利用时间序列分析评估气象因素对拉斯维加斯谷用水需求的影响:1990-2014年,”国际地理信息杂志第6卷,没有。8,第249页,2017。视图:谷歌学者
  11. D. S. Kenney, C. Goemans, R. Klein, J. Lowrey和K. Reidy,“住宅用水需求管理:从科罗拉多州极光学到的经验”,美国水资源协会JAWRA期刊第44卷第1期。1, pp. 192-207, 2008。视图:出版商的网站|谷歌学者
  12. R. C. Balling Jr.和P. Gober,“亚利桑那州凤凰城的气候变化和居民用水,”应用气象学与气候学杂志第46卷,no。7, pp. 1130-1137, 2007。视图:出版商的网站|谷歌学者
  13. A. S. Polebitski和R. N. Palmer,《人口普查区季节性居民用水需求预测》,水资源规划与管理学报,第136卷,第1,第27-36页,2010。视图:出版商的网站|谷歌学者
  14. D. R.梅德门特和s.p。妙欧《九城日常用水》水资源研究第22卷,no。6,第845-851页,1986年。视图:出版商的网站|谷歌学者
  15. 梅德门特,s.p。Miaou, m.m. Crawford,“城市日常用水的传递函数模型”,水资源研究第21卷,没有。4,页425 - 432,1985。视图:出版商的网站|谷歌学者
  16. H. Chang, S. Praskievicz,和H. Parandvash,“城市用水对多时间尺度天气和气候变化的敏感性:俄勒冈州波特兰市的案例,”国际地理空间与环境研究杂志第1卷,no。1, p. 7, 2014。视图:谷歌学者
  17. D. Lee和S. derible,“用基于机器的统计学习预测居民用水需求,”水资源规划与管理学报第146卷第6期。1、文章ID 04019067, 2020。视图:出版商的网站|谷歌学者
  18. V. N. Vapnik和A. Y. Chervonenkis,“关于事件的相对频率与它们的概率的一致收敛”,在措施的复杂性,第11-30页,施普林格,柏林,德国,2015。视图:谷歌学者
  19. N. A. Barton, T. S. Farewell和S. H. Hallett,“使用广义加性模型来研究洁净水管网中管道失效的环境影响,”Npj干净的水第三卷,没有。1, pp. 1 - 12, 2020。视图:出版商的网站|谷歌学者
  20. T. Hastie和R. Tibshirani,《非参数逻辑与比例比例回归》应用统计学第36卷,no。3,第260-276页,1987年。视图:出版商的网站|谷歌学者
  21. H. Lu, J. Matthews和S. Han,“月需水量预测的混合模型:德克萨斯州奥斯汀的案例研究”,美国自来水厂协会(AWWA水科学第二卷,没有。2, p. e1175, 2020。视图:出版商的网站|谷歌学者
  22. 诉Vapnik,统计学习理论的本质,施普林格科学与商业媒体,柏林,德国,2013。
  23. N. c . tianini和J. shaw - taylor,支持向量机和其他基于核函数的学习方法简介,剑桥大学出版社,英国剑桥,2000年。
  24. L. Tapak, O. Hamidi, P. Amini和J. Poorolajal,“用人工神经网络预测肾移植排斥反应,”医疗信息学研究第23卷,没有。4, p. 277, 2017。视图:出版商的网站|谷歌学者
  25. a . Bouach和S. Benmamar,“研究用水需求变化对优化的影响:遗传算法的案例,”国际能源与水资源杂志,第5卷,第95-99页,2021年。视图:谷歌学者
  26. B. M. Brentan, G. Meirelles, M. Herrera, E. Luvizotto和J. Izquierdo,“短期预测模型的水需求和预测变量的相关性分析”,工程中的数学问题, vol. 2017, 2017。视图:谷歌学者
  27. A. d. Souza, F. Aristone, I. Sabbah, d. A. d. Silva Santos, A. P. d. Souza Lima和G. Lima,“气候变化和城市用水”,大气与气候科学第5卷,no。3,第292页,2015。视图:出版商的网站|谷歌学者
  28. 答:a . Tsonis大气热力学导论,剑桥大学出版社,英国剑桥,2002年。
  29. A. Akuoko-Asibey, L. C. Nkemdirim和D. L. Draper,“气候变量对阿尔伯塔卡尔加里季节性用水量的影响,”加拿大水资源杂志第18卷第1期。2, 1993年第107-116页。视图:出版商的网站|谷歌学者
  30. R. Sarker, S. Gato-Trinidad和M. Imteaz,“与澳大利亚大墨尔本地区的用水量相对应的温度和降雨阈值”第20届国际模型与仿真大会论文集(MODSIM2013),阿德莱德,澳大利亚,2013。视图:谷歌学者

betway赞助版权所有©2021 Omid Hamidi等人。这是一篇开放获取的文章,在知识共享署名许可,允许不受限制地在任何媒介上使用、分发和复制,前提是正确引用原作品。


更多相关文章

PDF 下载引用 引用
下载其他格式更多的
订单打印副本订单
的观点146
下载174
引用

相关文章