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
Zhu et al. (2019) vizsgálta a mesterséges neurális hálózatok vízhőmérséklet számítási lehetőségeit, és megnövekedett hatékonyságot tapasztalt abban az esetben, ha bemenetként szerepelt s vízhozam, és hogy az adott nap az év hányadik napja (day of year - DOY). Az eredményei alapján kisebb esésű vízfolyásoknál a vízhozam nagysága már nem befolyásolja szignifikánsan a számítás jóságát. Szintén vizsgáltuk a DOY szerepét, de esetünkben nem volt tapasztalható pozitív hatás. A módszerek és a számítások részletei Liptay & Gauzer (2021) munkájában olvashatók. 2.3. Hidrodinamikai modell optimalizációja Az egy dimenziós hidrodinamikai modellek kalibrációjához gyakorta társul valamilyen automatikus algoritmus, mert az ilyen modellek számítási sebessége és a szabad paraméterek kezelhető száma lehetővé teszi a kényelmes autokalibrációt. A mesterséges neurális hálózatoknak ma már számos alkalmazási területe van, ezek közül a két legjellemzőbb az osztályozási és az interpoláció típusú feladatok. Neurális hálózatokat célszerű alkalmazni, ha az adott probléma megoldásának szabályai ismeretlenek, de a problémával kapcsolatban gazdag adathalmaz áll rendelkezésre. Az adathalmaz alapján a neurális hálózat tanítható, és a tudásreprezentációs képességeinek köszönhetően szakértő rendszerré válik, amely egy adott problémában képes az emberi szakértővel is felvenni a versenyt. Tehát az interpolációs képességekre alapozva egy lehetséges felhasználás az egy dimenziós hidrodinamikai modell eredményei és szabad paraméterei közötti interpoláció. Bár a szabályok ismertek, hiszen az alapegyenletek adottak és numerikus megoldásuk is régóta ismert, a probléma komplexitása miatt mégsem lehet explicit módon kifejezni a két értéket egymásból. Gondoljunk csak egy összetett folyóhálózatra szakaszonként változó simasággal, ahol esetleg még műtárgyak is jelen vannak. így mondhatjuk, hogy a szabályok a probléma ilyen megvilágításában nem ismertek, és a gazdag adathalmazt is elő tudjuk állítani a modell nagyszámú futtatásával és a simaságok célzott változtatásával. A vizsgálatot a hazai Duna szakaszon végzetük az ÓVSZ által fejlesztett 1D modell segítségével. Ez a modell elég robosztusnak bizonyult ahhoz, hogy a szélsőségesen változó érdességi viszonyok mellett is produkáljon hiteles eredményeket, és elég gyorsnak ahhoz, hogy vállalható időn belül előálljon a gazdag adathalmaz. A vizsgálatot a teljes 2018-as és 2019-es évekre végeztük az előforduló kisvízi és nagyvízi események miatt. 2.4. Mesterséges neurális hálózatok Az előrecsatolt többrétegű perceptron (továbbiakban MLP) legalább három rétegből álló neurális hálózat, rétegei a bemeneti, és kimeneti rétegek, valamint a közöttük található rejtett rétegek. A kimeneti rétegen megjelenő értékeket összevetjük a célértékekkel, és ez az összehasonlítás lesz a hálózat tanulásának alapja (Rumelhart et al. 1986). A tanítás nagyszámú, jól megválasztott adatot igényel, melyek jól jellemzik a probléma értéktartományát és értékkészletét, mert a hálózat extrapolációs képességei gyengék (Govindaraju 2000/b). A tanításhoz a széles körben elterjedt momentummal kiegészített hiba visszaterjesztés módszert használtuk. Egy neuron vázlatos rajzát a 2. ábra szemlélteti:
