Drought modelling by standard precipitation index (SPI) in a semi-arid climate using deep learning method: long short-term memory

2021 ◽  
Author(s):  
Alireza Docheshmeh Gorgij ◽  
Meysam Alizamir ◽  
Ozgur Kisi ◽  
Ahmed Elshafie
Keyword(s):  
Deep Learning ◽  
Short Term Memory ◽  
Precipitation Index ◽  
Arid Climate ◽  
Learning Method ◽  
Standard Precipitation Index ◽  
Short Term ◽  
Term Memory ◽  
Long Short Term Memory ◽  
Semi Arid

scholarly journals A Novel Hybrid Deep Learning Method for Fault Diagnosis of Rotating Machinery Based on Extended WDCNN and Long Short-Term Memory

Sensors ◽  
2021 ◽  
Vol 21 (19) ◽  
pp. 6614
Author(s):  
Yangde Gao ◽  
Cheol Hong Kim ◽  
Jong-Myon Kim
Keyword(s):  
Deep Learning ◽  
Fault Diagnosis ◽  
Short Term Memory ◽  
Rotating Machinery ◽  
Identification Accuracy ◽  
Learning Method ◽  
Short Term ◽  
Deep Convolutional Neural Networks ◽  
Term Memory ◽  
Long Short Term Memory

Deep learning (DL) plays a very important role in the fault diagnosis of rotating machinery. To enhance the self-learning capacity and improve the intelligent diagnosis accuracy of DL for rotating machinery, a novel hybrid deep learning method (NHDLM) based on Extended Deep Convolutional Neural Networks with Wide First-layer Kernels (EWDCNN) and long short-term memory (LSTM) is proposed for complex environments. First, the EWDCNN method is presented by extending the convolution layer of WDCNN, which can further improve automatic feature extraction. The LSTM then changes the geometric architecture of the EWDCNN to produce a novel hybrid method (NHDLM), which further improves the performance for feature classification. Compared with CNN, WDCNN, and EWDCNN, the proposed NHDLM method has the greatest performance and identification accuracy for the fault diagnosis of rotating machinery.

scholarly journals Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang

Repositor ◽  
2020 ◽  
Vol 2 (3) ◽  
pp. 331
Author(s):  
Muhammad Rizki ◽  
Setio Basuki ◽  
Yufis Azhar
Keyword(s):  
Deep Learning ◽  
Short Term Memory ◽  
Daily Activities ◽  
Learning Method ◽  
Short Term ◽  
Term Memory ◽  
Weather Forecasts ◽  
Long Short Term Memory ◽  
Input Gate ◽  
Gate Input

AbstrakTidak selamanya cuaca di Indonesia berjalan dengan normal atau sesuai dengan musimnya, cuaca sering berubah secara tiba-tiba setiap saat karena ada faktor-faktor yang mempengaruhi penurunan dan peningkatan curah hujan. perkiraan cuaca sangatlah dibutuhkan dan sangat bermanfaat olah berbagai pihak karena bisa menjadi acuan bagi berbagai kalangan untuk menjalani kegiatan mereka sehari-hari. Penelitian dilakukan menggunakan metode Deep Learning karena dari beberapa penelitian sebelumnya yang menggunakan Deep Learning dalam kasus yang berbeda mampu menghasilkan akurasi diatas 85%. Deep learning adalah jaringan yang terdiri dari beberapa layer. Layer-layer tersebut berasal dari kumpulan node-node. Arsitektur yang digunakan yaitu Long Short Term Memory(LSTM) karena pada penelitian-penelitian sebelumnya menggunakan LSTM dalam kasus yang berbeda mendapat hasil yang baik yaitu RME yang dihasilkan kecil. LSTM memiliki struktur seperti rantai dan struktur pada tiap sel terdapat 3 gate yaitu forget gate, input gate, dan output gate. Oleh karena itu, perhitungan yang dilakukan lebih kompleks ditambah lagi dengan Deep Learning diharapkan mendapat hasil yang lebih akurat. Data yang digunakan yaitu data curah hujan kota Malang yang berasal dari BMKG. Abstract The weather in Indonesia does not always run normally or in accordance with the season, the weather often changes suddenly at any time because there are factors that affect the decrease and increase in rainfall. weather forecasts are needed and very useful if the various parties because it can be a reference for various circles to undergo their daily activities. The study was conducted using Deep Learning method because of some previous research using Deep Learning in different cases able to produce accuracy above 85%. Deep learning is a network consisting of several layers. The layers are derived from a collection of nodes. The architecture used is Long Short Term Memory (LSTM) because in previous studies using LSTM in different case got good result that is small generated RME. LSTM has a structure like chains and structures in each cell there are 3 gates of forget gate, input gate, and output gate. Therefore, the calculations performed more complex plus the Deep Learning is expected to get more accurate results. The data used is the rainfall data of Malang city that comes from BMKG. 

scholarly journals Schätzung der Verdunstung mithilfe von Machine- und Deep Learning-Methoden

2021 ◽  
Author(s):  
Claire Brenner ◽  
Jonathan Frame ◽  
Grey Nearing ◽  
Karsten Schulz
Keyword(s):  
Deep Learning ◽  
Short Term Memory ◽  
Sich Eine ◽  
Short Term ◽  
Term Memory ◽  
Neuronales Netzwerk ◽  
Long Short Term Memory

ZusammenfassungDie Verdunstung ist ein entscheidender Prozess im globalen Wasser‑, Energie- sowie Kohlenstoffkreislauf. Daten zur räumlich-zeitlichen Dynamik der Verdunstung sind daher von großer Bedeutung für Klimamodellierungen, zur Abschätzung der Auswirkungen der Klimakrise sowie nicht zuletzt für die Landwirtschaft.In dieser Arbeit wenden wir zwei Machine- und Deep Learning-Methoden für die Vorhersage der Verdunstung mit täglicher und halbstündlicher Auflösung für Standorte des FLUXNET-Datensatzes an. Das Long Short-Term Memory Netzwerk ist ein rekurrentes neuronales Netzwerk, welchen explizit Speichereffekte berücksichtigt und Zeitreihen der Eingangsgrößen analysiert (entsprechend physikalisch-basierten Wasserbilanzmodellen). Dem gegenüber gestellt werden Modellierungen mit XGBoost, einer Entscheidungsbaum-Methode, die in diesem Fall nur Informationen für den zu bestimmenden Zeitschritt erhält (entsprechend physikalisch-basierten Energiebilanzmodellen). Durch diesen Vergleich der beiden Modellansätze soll untersucht werden, inwieweit sich durch die Berücksichtigung von Speichereffekten Vorteile für die Modellierung ergeben.Die Analysen zeigen, dass beide Modellansätze gute Ergebnisse erzielen und im Vergleich zu einem ausgewerteten Referenzdatensatz eine höhere Modellgüte aufweisen. Vergleicht man beide Modelle, weist das LSTM im Mittel über alle 153 untersuchten Standorte eine bessere Übereinstimmung mit den Beobachtungen auf. Allerdings zeigt sich eine Abhängigkeit der Güte der Verdunstungsvorhersage von der Vegetationsklasse des Standorts; vor allem wärmere, trockene Standorte mit kurzer Vegetation werden durch das LSTM besser repräsentiert, wohingegen beispielsweise in Feuchtgebieten XGBoost eine bessere Übereinstimmung mit den Beobachtung liefert. Die Relevanz von Speichereffekten scheint daher zwischen Ökosystemen und Standorten zu variieren.Die präsentierten Ergebnisse unterstreichen das Potenzial von Methoden der künstlichen Intelligenz für die Beschreibung der Verdunstung.

Sign in / Sign up

Export Citation Format

Share Document