Высокочастотный мониторинг и модели машинного обучения для оценки синоптической изменчивости стока взвешенных наносов малой городской реки
Авторы
- Сергей Романович Чалов МГУ имени М.В. Ломоносова https://orcid.org/0000-0002-6937-7020
- Всеволод Михайлович Морейдо Институт водных проблем РАН
- Ирина Сергеевна Денисова МГУ имени М. В. Ломоносова
- Иван Андреевич Солоников МГУ имени М.В. Ломоносова
DOI:
https://doi.org/10.34753/HS.2023.5.1.59+ Ключевые слова
+ Аннотация
В статье приводятся результаты высокочастотного мониторинга стока наносов крупнейшего правого притока р. Москвы в пределах города - р. Сетуни, осуществлявшегося в 2020–2021 гг. автоматическими регистраторами оптической мутности и уровня воды. Задействованы ряда записи с 16 ноября 2019 года по 19 марта 2020 года (частота записи 10 минут), с 1 марта 2021 г. по апрель 2021 г. и с июля 2021 г. по октябрь 2021 г. (частота записи 1 минута). В условиях высокой антропогенной нагрузки средняя мутность воды р. Сетунь достигает 100 мг/л, что в 3–4 раза выше фоновых значений. Отмечается корреляция мутности с расходами воды, которая возрастает при увеличении лага по времени от 0 до 50 часов. На основе совмещения измерений мутности воды с характеристиками уровня и расхода воды, атмосферных осадков и температуры воздуха, а также производных от них, проведена настройка 5 моделей машинного обучения для прогнозирования стока наносов с разрешением 30-минут и 1 сутки. Наилучшие результаты продемонстрировала рекуррентная нейросеть LSTM RNN для прогноза суточных значений мутности воды: при среднеквадратической ошибке 10,8 NTU были верно определены время и величина локальных увеличений пика мутности.
+ Биографии авторов
Д.г.н., зав. лаборатории эрозии почв и русловых процессов, доцент каф. гидрологии суши, Географический факультет, МГУ имени М.В. Ломоносова К.г.н., зав. лабораторией, старший научный сотрудник, Отдел гидрологии речных бассейнов, Лаборатория гидроинформатики, Институт водных проблем РАН Аспирант каф. гидрологии суши, Географический факультет, МГУ имени М.В. Ломоносова; Инженер, Отдел поверхностных вод, Лаборатория моделирования поверхностных вод, Институт водных проблем РАН Магистрант каф. гидрологии суши, Географический факультет, МГУ имени М.В. Ломоносова
Сергей Романович Чалов, МГУ имени М.В. Ломоносова
Всеволод Михайлович Морейдо, Институт водных проблем РАН
Ирина Сергеевна Денисова, МГУ имени М. В. Ломоносова
Иван Андреевич Солоников, МГУ имени М.В. Ломоносова
+ Библиографические ссылки
Караушев А.В. Сток наносов, его изучение и географическое распределение. Л.: Гидрометеоиздат, 1977. 240 с. Прогнозирование уровней воды на реках Краснодарского края с использованием методов машинного обучения / Белякова П.А., Морейдо В.М., Цыпленков А.С., Амербаев А.Н., Гречишникова Д.А., Курочкина Л.С., Филиппов В.А., Макеев М.С. // Водные ресурсы. 2022. Т. 49. № 1. С. 13–26. https://doi.org/10.31857/S0321059622010047. Реакция водного стока малой городской реки на экстремальные дождевые осадки на территории Москвы в 2020 и 2021 гг. / Чалов С.Р., Платонов В.С., Морейдо В.М., Самохин М.А., Ярынич Ю.И., Коршунова Н.Н., Болгов М.В., Касимов Н.С. // Метеорология и гидрология. 2023. Т. 2. С. 69-79. https://doi.org/10.52002/0130-2906-2023-2-69-79. Чалов С.Р., Цыпленков А.С. Роль крупномасштабной турбулентности в изменении мутности речных вод // Вестник Московского университета. Серия 5. География. 2020. №. 3. С. 34–46. Черных О.Н., Сабитов М.А., Алтунин В.И. Типизированные приемы экологического восстановления малых рек Москвы (на примере р. Сетунь) // Природообустройство. 2015. №. 3. С. 57–64. Behrouz M.S., Yazdi M.N., Sample D.J. Using Random Forest, a machine learning approach to predict nitrogen, phosphorus, and sediment event mean concentrations in urban runoff // Journal of Environmental Management. 2022. V. 317. P. 115412. https://doi.org/10.1016/j.jenvman.2022.115412. Bhattacharya B., Solomatine D.P. Machine learning in sedimentation modelling // Neural Networks. 2006. V. 19. № 2. P. 208-214. https://doi.org/10.1016/j.neunet.2006.01.007. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control Holden-Day series in time series analysis and digital processing. / San Francisco, CA: Holden-Day, 1970, 575 p. Carling P.A., Orr H.G. Morphology of riffle–pool sequences in the River Severn, England // Earth Surface Processes and Landforms: The Journal of the British Geomorphological Research Group. 2000. V. 25. № 4. P. 369-384. https://doi.org/10.1002/(SICI)1096-9837(200004)25:4<369::AID-ESP60>3.0.CO;2-M. Chalov S.R., Platonov V.S., Moreido V.M., Samokhin M.A. Small Urban River Runoff Response to 2020 and 2021 Extreme Rainfalls on the Territory of Moscow // Russian meteorology and hydrology. 2023. V. 48. № 2. P. 138-146. https://doi.org/10.3103/S1068373923020061. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining : KDD ’16. – New York, NY, USA: ACM, 2016. P. 785-794. https://doi.org/10.1145/2939672.2939785. Cohen S., Kettner A.J., Syvitski J.P.M. Global suspended sediment and water discharge dynamics between 1960 and 2010: Continental trends and intra-basin sensitivity // Global and planetary change. 2014. V. 115. P. 44-58. https://doi.org/10.1016/j.gloplacha.2014.01.011. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. V. 9. № 8. P. 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735. Moreido V., Gartsman B., Solomatine D.P., Suchilina Z. How Well Can Machine Learning Models Perform without Hydrologists? Application of Rational Feature Selection to Improve Hydrological Forecasting // Water. 2021. V. 13. № 12. P. 1696. https://doi.org/10.3390/w13121696. On the complexities of sediment load modeling using integrative machine learning: Application of the great river of Loíza in Puerto Rico / Zounemat-Kermani M., Mahdavi-Meymand A., Alizamir M., Adarsh S., Yaseen Z.M. // Journal of Hydrology. 2020. V. 585. P. 124759. https://doi.org/10.1016/j.jhydrol.2020.124759. Press W.H., Teukolsky S.A. Savitzky-Golay Smoothing Filters // Computers in Physics. 1990. V. 4. № 6. P. 669-672. https://doi.org/10.1063/1.4822961. Rainfall-runoff modelling using Long Short-Term Memory (LSTM) networks / Kratzert F., Klotz D., Brenner C., Schulz K., Herrnegger M. // Hydrology and Earth System Sciences. 2018. V. 22. № 11. P. 6005-6022. https://doi.org/10.5194/hess-22-6005-2018. Rstudio Team RStudio: Integrated development for R. RStudio, Inc., Boston MA // RStudio. 2019. Scikit-learn: Machine Learning in Python. / Pedregosa F. et al. // the Journal of machine Learning research. 2011. V. 12. P. 2825-2830. Sharafati A., Haji Seyed Asadollah S.B., Motta D., Yaseen Z.M. Application of newly developed ensemble machine learning models for daily suspended sediment load prediction and related uncertainty analysis // Hydrological Sciences Journal. 2020. V. 65. № 12. P. 2022-2042. https://doi.org/10.1080/02626667.2020.1786571. Sokolov D.I., Erina O.N., Tereshina M.A., Puklakov V. V. Impact Of Mozhaysk Dam On The Moscow River Sediment Transport // GEOGRAPHY, ENVIRONMENT, SUSTAINABILITY. 2020. V. 13. №. 4. P. 24-31. https://doi.org/10.24057/2071-9388-2019-150. Solomatine D.P., Ostfeld A. Data-driven modelling: some past experiences and new approaches // Journal of Hydroinformatics. 2008. V. 10. № 1. P. 3. https://doi.org/10.2166/hydro.2008.015. Taylor S.J., Letham B. Forecasting at Scale // The American Statistician. 2018. V. 72. № 1. P. 37-45. https://doi.org/10.1080/00031305.2017.1380080.
+ Читать статью онлайн
Скачивания
1.png)
