Hidrológiai Közlöny, 2022 (102. évfolyam)
2022 / 1. szám
10 Hidrológiai Közlöny 2022. 102. évf. 1. szám 2. táblázat. Regressziós statisztikai értékek összefoglaló táblázata: átlag abszolút hiba, regressziós korrelációs koefficiens (R2), a tanuláshoz használt idő (s) és a predikcióhoz szükséges idő (megfigyelés/s) Table 2. Regression performance measures: mean absolute error, regression correlation coefficient (R2), time used for learning (sec) and time used for prediction (observations/ sec)____ Módszer Átlag abszolút hiba R2 Tanulás Predikciós idő (csatorna db) idő (s) (megfigyelés/s) SVM (4) 6,2 0,55 2,1 21 000 GPR 1 (4) 4,3 0,80 10,4 35 000 GPR 2 (4) 4,1 0,80 13,0 32 000 GPR 2 (3) 3,9 0,80 7,9 39 000 NN 1 (4) 5,0 0,74 7,3 61 000 NN 2 (4) 4,4 0,79 5,5 57 000 NN 3 (4) 4,4 0,79 7,1 50 000 Mély tanulás (4) 4,7 0,77 5,8 64 000 Mély tanulás (3) 4,5 0,78 5,4 42 000 Megjegyzés: A modellek számozása a GPR esetében a kernel függvény típusára, míg a neurális hálók esetében a háló méretére utal. A modellek mögötti zárójeles szám a tanításánál felhasznált csatornák számát mutatja. A 3 csatornás felosztásnál a 443, 665 és 671 nm-es hullámsávoknál lévő Rrs-ek lettek alkalmazva, míg a 4-s input adatoknál az előbbiekhez hozzáadódik a 683 nm-es hullámsáv. Note: Model numbers indicate the type of the kernel function and the number of neurons for the GPR and NN, respectively. The numbers in the parentheses refer to the number of channels used in the models. In case of the three channels configuration only bands centered at 443, 665 and 671 nm were used, while for the data with four input features the band centered at 683 nm was also used in addition to the 3 channels setup. Alkalmazás A 3. táblázat összefoglalja a 2019. szeptember 5-ei terepi a-klorofill mérések eredményeit. A 2. ábrán látható kép visszaköszön a mért eredményeken, hiszen jól látható, hogy a tó nyugati medencéiben (Zala torkolat, Keszthelyi és Szigligeti medencék) nagyon magas a-klorofill értékeket mértek. Ezzel ellentétben a siófoki mérési ponton már nem volt megfigyelhető az algavirágzás (3. táblázat). 3. táblázat. Terepi mérések 2019. szeptember 5-én a Balatonban (Forrás: KDTV1Z1G 2019) Table 3. In situ measurements in Lake Balaton on the 5th of September 2019 (Source: KDTVIZ1G 2019) Mérési hely a-klorofill (mg/m3) Zala torkolat 618,0 Keszthely 314,0 Szigliget 53,0 Balatonszemes 21,0 Siófok 3,6 A 4. ábra mutatja a Balaton becsült a-klorofill értékek térképes megjelenítését a 2019 szeptember 5-re. Az ábrákon egyrészt a standard C2RCC algoritmussal számolt adatokat (4A. ábra), másrészt a mély tanulás módszerrel kalkulált, az összes (11) spektrális csatornára tanított (4B. ábra) eredményeket mutatjuk be. Az általános használt C2RCC processzor jelentősen alábecsülte a víz a-klorofill tartalmát, sőt, a keszthelyi, illetve szigligeti medencéknél, vagyis a legmarkánsabb algavirágzás helyein az algoritmus teljes mértékben csődöt mondott, hiszen a reális 200-300 mg/m3 értékek helyet 0 körüli értékeket mutatott (4A. ábra). Ugyanakkor a modell a keleti (Siófoki) medencében az alacsony a-klorofill értékeket helyesen becsülte meg. Ezzel ellentétben a mély tanulás modell a becsült a-klorofill értéket összeséggében a megfelelő tartományba helyezi, illetve a Szigligeti medence nyugati részéhez társítja sikeresen az extrém magas a-klorofill értékeket (4B. ábra). Ugyanakkor a mély tanulás modell a viszonylag magasabb értékeket (150 - 200 mg/m3) a Balaton középső részéhez társítja, nem pedig a Keszthelyi medencéhez. Az 5. ábrán láthatóak a GPR (5A. ábra) és mély tanulás (5B. ábra) algoritmusokkal becsült a-klorofdl térképek. A mély tanulás modell (5B. ábra) helytelenül becsüli a víz a-klorofill tartalmát és a keleti medencében is kiemelkedően magas a-klorofill értékeket kalkulál. Ezzel szemben a GPR algoritmus ugyan sikeresen tudta a nyugat-kelet irányú trofikus gradienst követni (JA. ábra), de a Szigligeti-medence nyugati részének extrém algavirágzásával nem tudott megbirkózni. Ugyanis az értékek tartománya alacsonyabb, mint az in situ mérések eredményei (3. táblázat), tehát a modell valószínűsíthetően alábecsül a kiemelkedően produktív vizekben (5A. ábra).
