Multi-modelowe podejście do krótkoterminowej prognozy hydrologicznej w oparciu o sztuczne sieci neuronowe (SSN)

• Autorzy: Siuta T.

Warianty tytułu

EN

Multi-model approach to short term hydrologic forecasting basing on artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję krótkoterminowej prognozy hydrologicznej w oparciu o modele typu trójwarstwowe sztuczne sieci neuronowe (SSN). Przedstawiono również możliwość łączenia modeli typu SSN z modelami regresji liniowej. Zwrócono uwagę na wady i zalety prezentowanego podejścia i możliwości jego praktycznego zastosowania w częściowo kontrolowanym systemie rzecznym. Zaprezentowaną koncepcję poparto przykładami symulacji prognozy stanów wysokich w przykładowej zlewni różnicowej rzeki Raby.

EN

In the paper the approach of short term hydrologic forecasting was presented using artificial neural networks (SSN). The possibilities of the fusion of SSN models with models of linear regression were also presented. Advantages and disadvantages of the presented method were underlined in the perspective of its practical implementation within partly monitored river system. The forecasting approach was supported by results of numerical simulation of high water states in the differential catchment of the Raba river.

Słowa kluczowe

PL

sztuczne sieci neuronowe; system rzeczny; prognozy hydrologiczne; hydrologia

EN

artificial neural networks; river system; hydrological forecast; hydrology

• Wydawca: Wydawnictwo 2K TECHNOLOGIE s.c.
• Czasopismo: Technologia Wody
• Rocznik: 2015
• Tom: Nr 1 (39)
• Strony: 40--50
• Opis fizyczny: Bibliogr. 5 poz., rys., tab.

Twórcy

autor

Siuta T.

• Krakowska, Wydział Inżynierii Środowiska, Katedra Hydrauliki i Hydrologii

Bibliografia

• [1]Abrahart R. S., See L., 2002: Multi-model data fusion for river flow forecasting; an evaluation of six alternative methods based on two contrasting catchment. Hydrology and Earth System Sciences vol. 6(4), 655-670.
• [2]Hall D. L., Llinas J., 1997: An introduction to multisensor data fusion. Proceedings of the IEEE v. 85, 6-23.
• [3]Jayawardena A. W., Fernando D. A. K., 1996: Comparison of multi-layer perceptron and radial basis function network as tools for flood forecasting. Proceedings North America Water and Environment Conference, ASCE, New York, 457-458.
• [4]Jayawardena A. W., Fernando D. A. K., 1995: Artyficial neural networks in hydro-meteorological modelling. Developments in Neural Networks and Evolutionary Computing for Civil and Structural Engineering, 115-20.
• [5]Openshaw S., Kneale P., Corne S., See L., 1998: Artificial Neural Networks for Flood Forecasting. Final report MaFF Project OCS967P, University of Leeds.