Modely výpočetní inteligence pro hydrologické predikce

Abstract

Tato práce se zabývá možností využití metod výpočetní umělé inteligence v oblasti hydrologických předpovědí. Praktická studie problému krátkodobé predikce průtoku na základě světových srážek je provedena na skutečných fyzikálních datech popisujících relevantní časové řady naměřené v povodí řeky Ploučnice. Zevrubně statitstická studie zahrnující korelační regresní analýzu prokázal vysoký rozptyl naměřených hodnot. Pro konstrukci vstupniho filtru pro neuronové modely byl proveden evoluční experiment. V hlavní části práce bylo prozkoumáno několik modelů neuronových sítí založených na vicevrstvém perceptronu, sítích typu RBF a neuroevoluci společně se dvěma anáblovými modely inspirovanými tzv. bagginem. Výsledné modely byly pečlivě testovány na datech pokrývajících letní období tří po sobě následujících let. Bylo prokázáno, že modely založené na vícevrstvém perceptronu vykazují větší schopnost generalizace. Výsledné perceptronové modely jsou schopny snížit kvadratickou chybu předpovědi o zhruba 15% v porovnání s konzervativní predikcí současnou hodnotou.

The thesis deals with the application of computational artificial intelligence models on hydrological predictions. The short term rainfall-runoff prediction problem is studied on the real data of physical time seriesmeasured in the watershed of river Plučnice. A brief statistical study including correlation and regression analyses is performed. The high level of variance and noise is concluded. The evolution of the proper input filter providing an input set for the neural network is performed. In the main part of the thesis several neural network models based on multilayer perceptron, RBF units, and neuroevoution are constructed together with two neural ensembles inspired by the bagging method. The models are tested on the three subsequent years summer data. The greater generalization ability of multilayer perceptron architectures is concluded. The resulting multilayer perceptron models are able to reduce the mean squared error of the prediction by 15% compared to the prediction by the previous value.