A Magyar Hidrológiai Társaság XXXIX. Országos Vándorgyűlése (Nyíregyháza, 2022. július 6-8.)
5. szekció - Hidrológia, hidrogeológia, hidraulika, numerikus modellezés - 16. Dr. Kozák Péter - dr. Vizi Zsolt - Fehérváry István - dr. Benyhe Balázs - Fiala Károly - Lázár Miklós (NKE - SZTE - ATIVIZIG): Mélytanuló algoritmusok alkalmazása a vízgazdálkodásban
5. ábra. A legszorosabb korrelációval rendelkező talajvízkutak térképi megjelenítése Forrás: Vizy Zs. 2022. Az előkészítő vizsgálatok eredményeként kiválasztásra kerületek azon talajvízkutak amelyek vízjárása a legjobb egyezést mutatta a mérési szelvény vízhozam adataival. A vizsgálatok további szakaszában megalkotásra kerül az a rekurrens mélytanuló algoritmus mely segítségével a lefolyási szelvény vízhozamai előrejelzésre kerültek a talajvízszintek segítségével. Az algoritmus 1962-2019 közötti időszakra vonatkozó lefolyási és talajvízadatok vizsgálatára alapozva került betanításra, majd 30 napos múltbeli adatokra történő visszatekintés alapján 5 napra vonatkozó lefolyás előrejelzést határozott meg. A modellfuttatás vizsgálati szakaszát az 5. ábra szemlélteti. A ábrán kék vonal a vízállás tény adatait, míg a piros vonal az öt napra vonatkozó előrejelzést mutatja. Az ábra alapján megállapítható, hogy az alkalmazott mélytanuló algoritmus alkalmas a lefolyások talajvízjárásból történő előre jelzésére. Az eljárás az ATIVIZIG-nél jelenleg tesztelési folyamatban van a későbbi napi alkalmazás feltételeinek meghatározására. 4. Folyami vízállások előrejelzése A folyami vízállások előrejelzése során a neurális hálózatok területéről egy, az idősorok predikciójában széles körben alkalmazott családot, az LSTM-cellát [1] alkalmazó hálózattípust választottunk. Mivel egy bemeneti szekvenciából (múltbeli adatokon tekintett időablak) egy másik idősort (predikció) szeretnénk előállítani, ezért ezen a területen klasszikus encoderdecoder struktúrát ([2], 7. ábra) alkalmaztunk. Ebben az architektúrában a számolások első fázisa a múltbeli adatok feldolgozása, az információk tömörítése és az előrejelzés szempontjából releváns mintázatok kinyerése, a második részben pedig az előbb kiszámolt "tulajdonságok" alapján történik a következő időpontokhoz tartozó értékek becslése.
