ВОЗМОЖНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ СТОКА МАЛОЙ РЕКИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Раздел
Методы, модели и технологии
  • В.М. Морейдо Институт водных проблем Российской академии наук, г. Москва, Россия https://orcid.org/0000-0003-1763-4096
  • Б.И. Гарцман Институт водных проблем Российской академии наук, г. Москва, Россия
  • Д.П. Соломатин Институт водных проблем Российской академии наук, г. Москва, Россия; IHE Delft Институт образования в сфере водных ресурсов, г. Дельфт, Нидерланды
  • З.А. Сучилина Институт водных проблем Российской академии наук, г. Москва, Россия
Ключевые слова: гидрологические прогнозы, машинное обучение, прогнозы речного стока, искусственные нейронные сети, краткосрочные прогнозы расходов воды, модели речного стока
(+) Аннотация

В статье исследуются возможности краткосрочного (от 1 до 7 суток) прогнозирования расходов воды на основе нескольких методов машинного обучения: модели множественной линейной регрессии, искусственной нейронной сети по типу многослойного перцептрона и рекуррентной искусственной нейронной сети с долгосрочной кратковременной памятью. 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 – река Протва (гидрометрический пост Спас-Загорье). В качестве предикторов используются расходы воды на посту и суточные суммы осадков на трех ближайших метеостанциях в текущий момент времени (сутки) и со сдвигом назад до 7 суток, а также индекс увлажнения бассейна и характеристики температуры воздуха и испарения. 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. Так, в отличие от линейной прогностической модели, эффективность которой снижается на заблаговременностях более 3 суток, модели искусственных нейронных сетей показали высокую эффективность прогноза до 7 суток. Полученные результаты устойчивы для всех фаз водного режима, как весеннего половодья, так и летних паводков. Программная реализация моделей выполнена на основании открытых программных библиотек на языке Python, что показывает возможность широкого использования описанных методик для научных исследований и прикладных задач.

(+) Об авторе(ах)

В.М. Морейдо,
Институт водных проблем Российской академии наук, г. Москва, Россия

E-mail: moreido@mail.ru
eLibrary (РИНЦ) SPIN-код: 5415-7452
ORCID ID: 0000-0003-1763-4096
Scopus ID: 56681224900 
Researcher ID (WoS):
D-7056-2014

Б.И. Гарцман,
Институт водных проблем Российской академии наук, г. Москва, Россия

E-mail: gartsman@inbox.ru
eLibrary (РИНЦ) SPIN-код: 7792-9120
Scopus ID: 24438012800
ORCID iD: 0000-0002-5876-7015
Почтовый адрес:
 119333 г.Москва, ул.Губкина 3. ИВП РАН
Контактный телефон для связи с авторами статьи: +7 915 03 02 08, +7 984 155 17 77

Д.П. Соломатин,
Институт водных проблем Российской академии наук, г. Москва, Россия; IHE Delft Институт образования в сфере водных ресурсов, г. Дельфт, Нидерланды

E-mail: d.solomatine@un-ihe.org
ORCID ID: 0000-0003-2031-9871
Scopus ID: 6601958160
Researcher ID (WoS):
M-9189-2013

З.А. Сучилина,
Институт водных проблем Российской академии наук, г. Москва, Россия

E-mail: mezozoya1@mail.ru
eLibrary (РИНЦ) SPIN-код: 8777-1177
ORCID iD: 0000-0002-2668-7408

(+) Литература

Abadi M., Barham P., Chen J., Chen Zh., Davis A., Dean J., Devin M., Ghemawat S., Irving G., Isard M., Kudlur M., Levenberg J., Monga R., Moore Sh., Murray D.G., Steiner B., Tucker P., Vasudevan V., Warden P., Wicke M., Yu Y. Zheng X. TensorFlow: A System for Large-Scale Machine Learning. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI’16) (Savannah, GA, USA, November 2-4, 2016). Publ. USENIX Association, 2016, pp. 265-283.

Abrahart R.J., Anctil F., Coulibaly P., Dawson Ch.W., Mount N.J., See L.M., Shamseldin A.Y., Solomatine D.P., Toth E., Wilby R.L. Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting. Progress in Physical Geography: Earth and Environment, 2012, vol. 36, iss. 4, pp. 480-513. DOI: 10.1177/0309133312444943.

Belyakova P.A., Borshch S.V., Khristoforov A.V., Yumina N.M. Prognoz maksimal'nogo stoka rek Chernomorskogo poberezh'ya Kavkaza [Forecast of the maximum runoff of the rivers of the Black Sea coast of the Caucasus]. Vodnoe khozyaistvo Rossii: problemy, tekhnologii, upravlenie [Water sector of Russia: problems, technologies, management], 2013, no. 6, pp. 4-16. (In Russian).

Beven K. Deep learning, hydrological processes and the uniqueness of place. Hydrological Processes, 2020, vol. 34, iss. 16, pp. 3608-3613. DOI: 10.1002/hyp.13805.

Bhattacharya B., Solomatine D.P. Machine learning in sedimentation modelling. Neural Networks, 2006, vol. 19, iss. 2, pp. 208-214. DOI: 10.1016/j.neunet.2006.01.007.

Borsch S.V., Khristoforov A.V. Otsenka kachestva prognozov rechnogo stoka [Hydrologic flow forecast verification]. Trudy Gidrometeorologicheskogo nauchno-issledovatel'skogo tsentra Rossiiskoi Federatsii [Proceedings of the Hydrometeorological Research Center of the Russian Federation], 2015, special issue 355. 198 p. (In Russian; abstract in English).

Emerton R.E., Stephens E.M., Pappenberger F., Pagano Th.C., Weerts A.H., Wood A.W., Salamon P., Brown J.D., Hjerdt N., Donnelly Ch., Baugh C.A., Cloke H.L. Continental and global scale flood forecasting systems. Wiley Interdisciplinary Reviews: Water, 2016, vol. 3, iss. 3, pp. 391-418. DOI: 10.1002/wat2.1137.

Fatichi S., Vivoni E.R., Ogden F.L., Ivanov V.Y., Mirus B., Gochis D., Downer Ch.W., Camporese M., Davison J.H., Ebel B., Jones N., Kim J., Mascaro G., Niswonger R., Restrepo P., Rigon R., Shen Ch., Sulis M., Tarboton D. An overview of current applications, challenges, and future trends in distributed process-based models in hydrology. Journal of Hydrology, 2016, vol. 537, pp. 45-60. DOI: 10.1016/j.jhydrol.2016.03.026.

Gelfan A.N., Motovilov Y.G. Long-term hydrological forecasting in cold regions: retrospect, current status and prospect. Geography Compass, 2009, vol. 3, iss. 5, pp. 1841-1864. DOI: 10.1111/j.1749-8198.2009.00256.x.

Halff A.H., Halff H.M., Azmoodeh M. Predicting runoff from rainfall using neural networks. Proceedings of Symposium Engineering Hydrology (San Francisco, California, July 25-30, 1993), 1993, pp. 760-765.

Haykin S. Neural Networks and Learning Machines: 3rd ed. Prentice Hall Publ., 2009. 906 p.

Haykin S. Neural networks: a comprehensive foundation. Prentice Hall PTR, Upper Saddle River, NJ, United States, 1994. 768 p.

Hochreiter S. The vanishing gradient problem during learning recurrent neural nets and problem solutions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 1998, vol. 6, no. 2, pp. 107-116. DOI: 10.1142/S0218488598000094.

Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735-1780. DOI: 10.1162/neco.1997.9.8.1735.

Kratzert F., Klotz D., Brenner C., Schulz K., Herrnegger M. Rainfall-runoff modelling using Long Short-Term Memory (LSTM) networks. Hydrology and Earth System Sciences, 2018, vol. 22, iss. 11, pp. 6005-6022. DOI: 10.5194/hess-22-6005-2018.

Kuchment L.S., Gel'fan A.N. Dinamiko-stokhasticheskie modeli formirovaniya rechnogo stoka [Dynamic-stochastic models of river runoff formation]. Moscow, Publ. Nauka, 1993. 101 p. (In Russian).

Motovilov Y.G. Hydrological simulation of river basins at different spatial scales: 1. Generalization and averaging algorithms. Water Resources. 2016a, vol. 43, iss. 3, pp. 429-437. DOI: 10.1134/S0097807816030118 (Russ. ed.: Motovilov Yu.G. Gidrologicheskoe modelirovanie rechnykh basseinov v razlichnykh prostranstvennykh masshtabakh. 1. Algoritmy generalizatsii i osredneniya. Vodnye Resursy, 2016a, vol. 43, no. 3, pp. 243-253. DOI: 10.7868/S0321059616030111).

Motovilov Y.G. Hydrological simulation of river basins at different spatial scales: 2. Test results. Water Resources, 2016b, vol. 43, iss. 5, pp. 743-753. DOI: 10.1134/S0097807816050092 (Russ. ed.: Motovilov Yu.G. Gidrologicheskoe modelirovanie rechnykh basseinov v razlichnykh prostranstvennykh masshtabakh. 2. Rezul'taty ispytanii. Vodnye Resursy, 2016b, vol. 43, no. 5, pp. 467-475. DOI: 10.7868/S0321059616050096).

Mozer M.C. A Focused Backpropagation Algorithm for Temporal Pattern Recognition. Complex Systems, 1989, vol. 3, iss.4, pp. 349-381.

Oudin L., Michel C., Anctil F. Which potential evapotranspiration input for a lumped rainfall-runoff model? Journal of Hydrology, 2005, vol. 303, iss. 1-4, pp. 275-289. DOI: 10.1016/j.jhydrol.2004.08.025.

Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2011, vol. 12, pp. 2825-2830.

Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors. Nature, 1986, vol. 323, no. 6088, pp. 533-536. DOI: 10.1038/323533a0.

Werbos P.J. Backpropagation Through Time: What It Does and How to Do It. Proceedings of the IEEE, 1990, vol. 78, no. 10, pp. 1550-1560. DOI: 10.1109/5.58337.

Zaikov B.D. Srednii stok i ego raspredelenie v godu na territorii SSSR [Average runoff and its distribution per year in the USSR]. Leningrad, Publ. Gidrometeoizdat, 1946. 148 p. (In Russian).

(+) Читать онлайн

Просмотров Аннотации: 101
Скачиваний PDF: 0
Опубликован
2020-12-31
Как цитировать
В.М. Морейдо, Б.И. Гарцман, Д.П. Соломатин, & З.А. Сучилина. (2020). ВОЗМОЖНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ СТОКА МАЛОЙ РЕКИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ. Гидросфера. Опасные процессы и явления, 2(4), 375-390. https://doi.org/10.34753/HS.2020.2.4.375

Скачивания

Данные скачивания пока не доступны.