Vízügyi Közlemények, 1992 (74. évfolyam)

1. füzet - Szilágyi József: Vízállások előrejelzése adaptív sztochasztikus modellel

Vízállások előrejelzése adapt

iv sztochasztikus modellel 103 Az előrejelzésekhez sem a tiszalöki, sem a kiskörei duzzasztó üzemrendje nem állt rendelkezésre, pedig ezek jelentősen befolyásolják a vízállásokat, s így az előrejelzések pontosságát is. Az MW modell szórásait látva, lehetséges, hogy pontosabb előrejelzéseket lehet adni valamely tiszai állomásra - más modellekkel, de a nem adaptív paraméterű modell esetén meg kell bizonyosodni, hogy a modell verifikációs idősora különbözik-e a modell paraméterekhez használt ún. kalibrációs idősortól. Összegzésképp megállapítható, hogy az egyszerű, de megfelelően alkalmazott sztochasztikus modellekkel - mégha azok bizonyos szigorú matematikai kikötéseknek nem is tesznek eleget - meglehetősen jó operatív előrejelzések készíthetők. IRODALOM Abonyi l.-Zsujfa /.: Folyamatos vízállás előrejelzés jelentősebb mellékfolyó nélküli folyószakaszon, Vízügyi Közlemények, 1978. évi 3. füzet. Bennett, Я J.: Spatial Time Series. Pion Limited 1979. Mundruczó Gy.: Alkalmazott regressziószámítás. 1984. Akadémiai Kiadó, 1984. Szöllősi-Nagy A.: A mederbeli lefolyás real-time előrejelzése dinamikus strukturális-sztochasztikus modellekkel. VITUKI Tanulmányok 50, 1989. Predicting water levels by an adaptive stochastic model by József SZILAGYI, meteorologist-hydrologist Operative river forecasting models, describing the physical processes of streamflow, are mostly based on discharge data. In the practice, however, these data are indirectly available only. The basic primary data are water level data that are converted to discharge data by various methods, thus introducing further error to the already inaccurate water level data. Therefore it is desirable to construct forecasting models that utilize water level data without any modification. One example of such models is the so called Moving Window (MW) model, developed by the author, that is based on the stochastic adaptive parameter estimation method. The operation scheme of this model is shown in Fig. I. The model selects the gauging stations, needed to make forecasting for a given gauging station with a given lead time by the "backward elimination" method, and uses the least square method for calculating the regression parameters to be used for forecasting. For this latter the data of the last approximately 3 months are used. The so called "explaining" stations vary with the lead time and with the stations of forecasting. The model parameters are recalculated with the receiving of every new measurement data for about the last three months. The optimal lenght of this period can be determined by the "trial-and-error" method, for example. Forecasts of different lead time for one sample station of rivers Danube and Tisza each are shown in Fig. 2 and 3. Standard deviations of the error of the forecasts of rivers Danube and Tisza are summarized in Tables /.-///. • * *