Возможности краткосрочного прогнозирования речного стока с использованием методов машинного обучения на примере реки Протвыя

Раздел
Методы, модели и технологии
  • Всеволод Морейдо Институт водных проблем РАН
Ключевые слова: гидрологические прогнозы, машинное обучение, прогнозы речного стока, искусственные нейронные сети, MLP, LSTM
(+) Аннотация

В статье исследуются возможности краткосрочного (от 1 до 7 суток) прогнозирования расходов воды на основе нескольких методов машинного обучения: модели множественной линейной регрессии (LM), искусственной нейронной сети по типу многослойного перцептрона (MLP) и рекуррентной искусственной нейронной сети с долгосрочной кратковременной памятью (LSTM). Предлагаются методы расширения набора предикторов для построения моделей и исследуется возможность случайного перемешивания хронологического ряда предикторов для калибровки и верификации моделей как повышающая устойчивость результатов прогноза. В качестве объекта исследования используется малая река Средней полосы России – р. Протва (г/п Спас-Загорье). На конкретном примере показана возможность построения эффективной оперативной прогностической системы для краткосрочного прогнозирования стока. Исследование выявило приемлемую для оперативной практики применимость моделей искусственных нейронных сетей, использующих всю доступную гидрометеорологическую информацию на водосборе, как показавших наиболее устойчивые результаты на всех заблаговременностях от 1 до 7 суток.

(+) Об авторе(ах) (+) Литература
1. Белякова П. А. и др. Прогноз максимального стока рек Черноморского побережья Кавказа // Водное хозяйство России: проблемы, технологии, управление. 2013. № 6. С. 4–16.
2. Abadi M. и др. TensorFlow: A System for Large-Scale Machine Learning // Proceedings of the 12th USENIX Symposium on Operating Systems. , 2016. С. 265–283.
3. Abrahart R. J. и др. Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting // Prog. Phys. Geogr. 2012. Т. 36. № 4. С. 480–513.
4. Beven K. Deep learning, hydrological processes and the uniqueness of place // Hydrol. Process. 2020. Т. 34. № 16. С. 3608–3613.
5. Bhattacharya B., Solomatine D. P. Machine learning in sedimentation modelling // Neural Networks. 2006. Т. 19. № 2. С. 208–214.
6. Emerton R. E. и др. Continental and global scale flood forecasting systems // WILEY Interdiscip. Rev. 2016. Т. 3. № 3. С. 391–418.
7. Fatichi S. и др. An overview of current applications, challenges, and future trends in distributed process-based models in hydrology // J. Hydrol. 2016. Т. 537. С. 45–60.
8. Gelfan A. N., Motovilov Y. G. Long-term hydrological forecasting in cold regions: Retrospect, current status and prospect // Geogr. Compass. 2009. Т. 3. № 5. С. 1841–1864.
9. Halff A. H., Halff H. M., Azmoodeh M. Predicting runoff from rainfall using neural networks // Eng. Hydrol. 1993. С. 760–765.
10. Haykin S. Rosenblatt ’ s Perceptron // Neural Networks Learn. Mach. 2009. № 1943. С. 47–67.
11. Haykin S. S. Neural networks : a comprehensive foundation. : Macmillan, 1994. 696 с.
12. Hochreiter S. The vanishing gradient problem during learning recurrent neural nets and problem solutions // Int. J. Uncertainty, Fuzziness Knowlege-Based Syst. 1998. Т. 6. № 2. С. 107–116.
13. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Comput. 1997. Т. 9. № 8. С. 1735–1780.
14. Kratzert F. и др. Rainfall–runoff modelling using Long Short-Term Memory (LSTM) networks // Hydrol. Earth Syst. Sci. 2018. Т. 22. № 11. С. 6005–6022.
15. Moreydo V. M. github.com/esmoreido [Электронный ресурс]. URL: https://github.com/esmoreido (дата обращения: 01.11.2020).
16. Mozer M. A Focused Backpropagation Algorithm for Temporal Pattern Recognition // Complex Syst. 1989. Т. 3. С. 349–381.
17. Oudin L., Michel C., Anctil F. Which potential evapotranspiration input for a lumped rainfall-runoff model? // J. Hydrol. 2005. Т. 303. № 1–4. С. 275–289.
18. Pedregosa F. и др. Scikit-learn: Machine Learning in Python. , 2011. 2825–2830 с.
19. Werbos P. J. Backpropagation Through Time: What It Does and How to Do It // Proc. IEEE. 1990. Т. 78. № 10. С. 1550–1560.
20. Борщ С. В., Христофоров А. В. ОЦЕНКА КАЧЕСТВА ПРОГНОЗОВ РЕЧНОГО СТОКА // Труды Гидрометеорологического научно-исследовательского центра Российской Федерации. 2015. Т. 355. С. 3–195.
21. Зайков Б. Д. Средний сток и его распределение в году по территории СССР // Труды НИУ ГУГМС Серия IV. Вып. 24. Л.-М.: , 1946. С. 67–95.
22. Кучмент Л. С., Гельфан А. Н. Динамико-стохастические модели формирования речного стока. : Наука М, 1993. 104 с.
23. Мотовилов Ю. Г. Гидрологическое Моделирование Речных Бассейнов В Различных Пространственных Масштабах. 2. Результаты Испытаний // Водные Ресурсы. 2016a. Т. 43. № 5. С. 467–475.
24. Мотовилов Ю. Г. Гидрологическое Моделирование Речных Бассейнов В Различных Пространственных Масштабах 1. Алгоритмы Генерализации И Осреднения // Водные Ресурсы. 2016b. Т. 43. № 3. С. 243–253.
(+) Читать онлайн
Опубликован
2022-03-10
Как цитировать
Морейдо, В. (2022). Возможности краткосрочного прогнозирования речного стока с использованием методов машинного обучения на примере реки Протвыя. Гидросфера. Опасные процессы и явления, 2(4). извлечено от https://hydro-sphere.ru/index.php/hydrosphere/article/view/67

Скачивания

Данные скачивания пока не доступны.