A Magyar Hidrológiai Társaság XXXVIII. Országos Online Vándorgyűlése (2021. szeptember 14-15.)
1. szekció - Vízkárelhárítás - 13. Dr. Liptay Zoltán (Országos Vízjelző Szolgálat - OVF): Neurohidrológiai vizsgálatok a hazai vízjelzésben
Dr. Liptay Zoltán Országos Vízjelző Szolgálat, Országos Vízügyi Főigazgatóság, email: liptay.zoltan@ovf.hu Neurohidrológiai vizsgálatok a hazai vízjelzésben Kivonat Az Országos Vízjelző Szolgálat több területen is vizsgálta a mesterséges neurális hálózatok hidrológiai célú felhasználási lehetőségeit, ezek a csapadék-lefolyás modellezés, a vízhőmérséklet előrejelzés, és a hidrodinamikai modellek optimalizációja. A mesterséges neurális hálózat univerzális interpolációs és osztályozó eszköz, könnyen programozható, tanítása jól algoritmizálható. Bár számos területen elterjedt az alkalmazása, és a hidrológiai szakirodalomban is jelen van, az összetett hidrológiai helyzetek korrelációs vizsgálatai esetén gyakorlatban csak mérsékelt sikerekkel használható. A nagyon erős tanulási képessége ellenére is sokszor alulmarad egy egyszerű konceptuális modellel szemben, amely következetesebb validációs eredményeket képes produkálni, ráadásul egy statisztikai módszernél a túltanítás veszélye is nagyobb, mint a determinisztikus esetben. Bíztató eredményeket értünk el azonban az 1 dimenziós hidrodinamikai modellek neurális hálózat alapú autokalibrációja során, hiszen ez inkább interpoláció jellegű feladat. A mesterséges neurális hálózat képes megtanulni a hidrodinamikai modell viselkedését különböző érdességi viszonyok esetén, és minden egyes futtatás után jobb és jobb becslést ad az optimális paraméterkészletre. Jelen dolgozatban a fenti vizsgálatok eredményeit foglaltuk össze. Kulcsszavak hidrológia, modellezés, mesterséges neurális hálózatok 1. BEVEZETÉS A mesterséges neurális hálózat az idegrendszer struktúráját és működését modellezi, így a biológiai formához hasonlóan a mesterséges idegrendszeri hálózatot is idegsejtek, vagy más néven neuronok alkotják, melyek egymással szinaptikus kapcsolat útján kommunikálnak. Ez a mesterséges idegrendszeri hálózat tehát alkalmas lesz tudás tárolására és reprezentálására, és ezt a tudást nem programozás, hanem tanulás útján képes megszerezni. A tudás a neuronok súlytényezői közvetítésével ábrázolódik a rendszerben, és mivel ez egy elosztott és párhuzamos információtárolás, így az egész hálózat hibatűrése magas. A súlytényezők egy részének jelentős megváltozása sem befolyásolja alapvetően a hálózat működését. A mesterséges neurális hálózatok fekete doboz modellek, ami azt jelenti, hogy a belső összefüggéseinek feltárásával nem jutunk el az adott fizikai probléma reprezentációjához. A gépi tanulás és a mesterséges intelligencia történetét McCulloch & Pitts 1943-as munkájától eredeztethetjük. Ezt követően Rosenblatt 1957-ben mutatta be a perceptron koncepcióját, de ez a későbbi újrafelfedezéséig (Rumelhart et al. 1986) sajnos nem keltett túl nagy érdeklődést. A többrétegű perceptron nemlinearitása szignifikáns előny volt a Rosenblatt perceptron lineáris viselkedéséhez képest, és a hiba terjesztés módszerével a belső szinapszisok súlyait is lehetséges volt meghatározni. A mesterséges neurális hálózatok első publikált hidrológiai célú felhasználása Daniel (1991) munkájához köthető, majd ezt követően számos publikáció foglalkozik a témával. A neurális hidrológiával vagy röviden neurohidrológiával átfogóan foglalkozó cikkeket is találunk, mint Govindaraju (2000/a és 2000/b) és Tanty & Desmukh (2015) munkái, valamint nagy számú esettanulmány is olvasható már (Rabi et al. 2015, Temizyurek & Dada§er-£elik 2018, Zhu et al. 2018, Zhu et al. 2019).
