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
2. ESZKÖZÖK ÉS MÓDSZEREK 2.1. Csapadéklefolyás modellezés A csapadék-lefolyás számításokat a Galga vízgyűjtőjén végeztük, mert ezen a kis vízgyűjtőn a máshol bevált hidrológiai számítással nem sikerült kielégítő eredményeket elérni. Ez a módszer az Országos Vízjelző Szolgálat által fejlesztett és üzemeltetett részben osztott paraméterű, konceptuális csapadék-lefolyás modell, továbbiakban a GAPI (1. ábra). A modell a hófelhalmozódás, és-olvadás számítását rácsponti alapon végzi az energia mérleg becslésével, innen a részvízgyűjtőkre halmozott paraméterezésre áttérve több tapasztalati összefüggést tartalmaz, ilyenek a Horton-féle beszivárgás számítás, és a Thornthwaite-féle párolgásbecslés, majd az elkülönített lefolyáskomponenseket diszkrét lineáris kaszkádmodellel transzformálja. A modellparaméterek bearányosítását a 2015 és 2019 közötti időszakra végeztük, míg az igazoláshoz két időszakot választottunk, ezek a 2013-2014 évek, valamint 2020-as év. csapadék párolgás intercepdó _____vízgyűjtő felszín felső ! talajréteg 1 alsó i talajréteg j 1. ábra: A GAPI modell vázlata 2.2. Vízhőmérséklet szimuláció A vízhőmérsékletek szimulációját a Duna paksi szelvényében végeztük. Két módszert állítottunk szembe a mesterséges neurális hálózattal. Egy determinisztikus, fizikai alapú módszert, az energia mérleg becslését, valamint ennek egy erősen egyszerűsített, konceptuális változatát. A konceptuális módszer az energia mérlegből csak a víz-levegő határfelületen végbemenő szenzibilis hőáramot veszi figyelembe egy hőátadási tényező segítségével. A modelleket a 2015-2017 időszakra kalibráltuk, és a 2018-2019 időszakra validáltuk. A vízhőmérsékleteket két neurális hálózati architektúrával próbáltuk számítani. Az első megközelítés egy egy kimenetű többrétegű perceptron (MLP), amely az időelőny egyetlen napjára készít predikciót. A bemeneti rétegen megjelenik az előző napi észlelt vízhőmérséklet, valamint az időelőnynek megfelelő számú léghőmérséklet előrejelzés. Tehát például az 1. napi előrejelzésben 2 bementi neuron szerepel, míg a 10. napi esetén 11 bemeneti neuron. Ez a megközelítés így 10 különböző mesterséges neurális hálózat megépítését és tanítását igényli. A második megközelítésben a teljes 10 napos időelőnyt számítottuk egyetlen MLP-vel. A bemeneti neuronok száma 11 (1 észlelt vízhő és 10 előrejelzett léghő), a kimeneti neuronok száma 10.
