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

változtatásával jelentősebb változást érünk el a modellben a Duna esetében, míg a Tiszán meghatározóbb a helyes modellszerkezet és a műtárgyak pontos leképezése.

4. KONKLÚZIÓ

A determinisztikus és nem-paraméteres statisztikai módszerek közötti fő különbség a módszer teljesítményének állandósága. A mesterséges neurális hálózatok kiemelkedően teljesítettek a kalibrációs, vagy tanítási adathalmazon, de könnyen túltaníthatónak bizonyultak, ezáltal a validáció, vagy más néven minősítési eredményeik messze elmaradtak más modellekétől. A vízhőmérséklet és csapadék-lefolyás esetekben a neurális hálózat kiváló eszköz egy adott adathalmaz elemzésére, vagy akár adathiányok kezelésére, de bármilyen apró lépés az adathalmazból kifelé extrapolációhoz vezet, ami jelen esetben veszélyes területnek bizonyult.

Mivel az interpoláció a neurális hálózat egyik erőssége, így kiváló feladat számára az optimális paraméterkészlet megkeresése egy olyan komplex összefüggésben, mint az egy dimenziós hidrodinamikai modell hibái ésérdességi viszonyai közötti kapcsolat.

IRODALOMJEGYZÉK

Daniel, T., M. (1991): Neural networks - application in hydrology and water resources engineering. Proc. Int. Hydrol. and Water Resour., Institution of Engineers, Perth, Australia.

Govindaraju, R. (2000/a): Artificial Neural Networks in hydrology. I: Preliminary concepts. J. Hydrol. Eng.. 5/2. 115-123.

DOI: 10.1061/(ASCE) 1084-0699(2000)5:2(115)

Govindaraju, R. (2000/b): Artificial Neural Networks in hydrology. II: Hydrologic applications. J. Hydrol. Eng.. 5/2. 124- 137.

DOI: 10.1061/(ASCE) 1084-0699(2000)5:2(124)

Liptay., Z., Á., Gauzer, B. (2021): Operational river ice and water temperature forecasting on the Hungarian Danube reach. FLOODrisk 2020 - 4th European Conference on Flood Risk Management, Science and practice for an uncertain future. 10.3311/FloodRisk2020.17.11

McCalloch, W., S. and Pitts, W. (1943): A logic calculus of the ideas immanent in nervous activity. Bull, of Math. Biophys., 5,115-133.

Rabi, A., Hadzima-Nyarko, M. and Sperac, M. (2015): Modelling river temperarure from air temperature: case of the River Drava (Croatia). Hydrological Sciences Journal. 60/9:1490-1507.

https://doi.org/10.1080/02626667.2014.914215

Rosanblatt, F. (1957): The perceptron. A perceiving and recognizing automaton. Cornell Aeronautical Laboratory, Buffalo, New York.

Rumelhart, D., E., Hinton, G., E. and Williams, R., J. (1986): Learning internal representations by error propagation. Parallel distributed processing, MIT Press, Cambridge. 1, 318-362.

Tanty, R. and Desmukh, T. (2015): Application of Artificial Neural Network in Hydrology- A Review. International Journal of Engineering Research and. 4/6.

DOI: 10.17577/IJERTV4IS060247.

Temizyurek, M. and Dadajer-Qelik, F. (2018): Modelling the effects of meteorological parameters on water temperature using artificial neural networks. Water Sei Technoi. 77(5-6):1724-1733. doi: 10.2166/wst.2018.058.

Zhu, S., Nyarko, E., K., Hadzima-Nyarko, M. (2018): Modelling daily water temperature from air temperature for the Missouri River. PeerJ 6:e4894; http://doi.org/10.7717/peerj.4894

Zhu, S., Nyarko, E., K., Hadzima-Nyarko, M., Heddam, S., Wu, S. (2019): Assessing the performance of a suite of machine learning models for daily river water temperature prediction. PeerJ. 7:e7065

http://doi.org/10.7717/peerj.7065