Vol. 7 No. 1 (2021): Γεω-Συναντήσεις
Articles

Προσομοίωση της σχέσης βροχόπτωσης‐απορροής με τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης

PDF
  • Δημήτριος Μπότσης,
  • Κωνσταντίνος Διαμαντάρας,
  • Περικλής Λατινόπουλος,
  • Ελευθέριος Παναγιωτόπουλος
Categories

Published 2025-10-15

Keywords

  • βροχή,
  • απορροή,
  • τεχνητά νευρωνικά δίκτυα,
  • μηχανές διανυσμάτων υποστήριξης,
  • λεκάνη απορροής

Copyright (c) 2021 Δημήτριος Μπότσης, Κωνσταντίνος Διαμαντάρας, Περικλής Λατινόπουλος, Ελευθέριος Παναγιωτόπουλος

Creative Commons License

This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.

How to Cite

Δημήτριος Μπότσης, Κωνσταντίνος Διαμαντάρας, Περικλής Λατινόπουλος, & Ελευθέριος Παναγιωτόπουλος. (2025). Προσομοίωση της σχέσης βροχόπτωσης‐απορροής με τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης. CHORO-grafies, 7(1), 035-045. https://doi.org/10.5281/xf899g04

Abstract

Στην παρούσα ερευνητική εργασία αναπτύσσεται ένα Τεχνητό Νευρωνικό Δίκτυο (ΤΝΔ) και ένα μοντέλο Μηχανών Διανυσμάτων Υποστήριξης (ΜΔΥ) για την προσομοίωση της σχέσης βροχόπτωσης‐απορροής και την πρόβλεψη χρονοσειρών στάθμης ποταμού. Για το σκοπό αυτό, δημιουργήθηκε ένα πολυστρωματικό ΤΝΔ με τρία επίπεδα εκπαιδευόμενο με τον αλγόριθμο back‐propagation (Levenberg‐Marquardt). Ταυτόχρονα, δημιουργήθηκε ένα μοντέλο ΜΔΥ με τρεις διαφορετικές συναρτήσεις πυρήνα (Γραμμική, Πολυωνυμική και Γκαουσιανή). Τα δεδομένα ημερήσιας βροχόπτωσης και απορροής μιας ορεινής λεκάνης απορροής χρησιμοποιήθηκαν για την ανάπτυξη και εφαρμογή των μοντέλων προσομοίωσης της σχέσης βροχόπτωσης‐απορροής. Σημαντικό μέρος της παρούσας έρευνας αποτελεί ο έλεγχος της επίδρασης της ιστορίας της βροχόπτωσης και της απορροής στην τελική πρόβλεψη. Η μέθοδος cross‐validation χρησιμοποιήθηκε για την επιλογή του κατάλληλου αριθμού κρυφών νευρώνων στο ΤΝΔ και της καλύτερης συνάρτησης πυρήνα στο μοντέλο ΜΔΥ. Η απόδοση και η αξιοπιστία των μοντέλων ελέγχθηκαν με βάση τρία διαφορετικά κριτήρια αξιολόγησης. Τα αποτελέσματα αποκάλυψαν ότι όλα τα μοντέλα είναι πολύ αποτελεσματικά στην προσομοίωση της σχέσης βροχόπτωσης‐απορροής και της πρόβλεψης της στάθμης ποταμού. 

PDF

Downloads

Download data is not yet available.

References

  1. “Comparing neural network and autoregressive moving average techniques for the provision of continuous river flow forecasts in two contrasting catchments”, R.J. Abrahart, L. See, Hydrological Process, Vol. 14, Nr. 11–12, 2000, pp. 2157–2172.
  2. “Precipitation Forecasting Using Multilayer Neural Network and Support Vector Machine Optimization Based on Flow Regime Algorithm Taking into Account Uncertainties of Soft Computing Models”, F.B. Banadkooki, M. Ehteram, A.N. Ahmed, C.M. Fai, H.A. Afan, W.M. Ridwam, A. Sefelnasr, A. El‐Shafie, Sustainability, Vol. 11, Nr. 23, 2019, 6681.
  3. “A novel Master‐Slave optimization algorithm for generating an optimal release policy in case of reservoir operation”, M.S. Turgut, O.E. Turgut, H.A. Afan, A. El‐Shafie, Journal of Hydrology, Vol. 577, 2019, Article 123959.
  4. “Rainfall‐runoff modelling using improved machine learning methods: Harris hawks optimizer vs. particle swarm optimization”, Y. Tikhamarine, D. Souag‐Gamane, A.N. Ahmed, S.S. Sammen, O. Kisi, Y.F. Huang, A. El‐Shafie, Journal of Hydrology, Vol. 589, 2020, Article 125133.
  5. Fundamentals of hydrology. Tim Davie, Routledge – Taylor & Francis Group, 2008.
  6. “Prediction and modelling of rainfall‐runoff during typhoon events using a physically‐based and artificial neural network hybrid model”, Y. Chih‐Chieh, L. Wen‐Cheng, Hydrological Sciences Journal, Vol. 60, Nr. 12, 2014, pp. 2102–2116.
  7. “Short‐term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation”, S. Gao, Y. Huang, S. Zhang, J. Han, G. Wang, M. Zhang, Q. Lin, Journal of Hydrology, Vol. 589, 2020, Article 125188.
  8. “Impact of imperfect rainfall knowledge on the efficiency and the parameters of watershed models”, V. Andréassian, C. Perrin, C. Michel, I. Usart‐Sanchez, J. Lavabre, Journal of Hydrology, Vol. 250, Nr. 1‐4, 2001, pp. 206–223.
  9. “Integration of artificial neural networks with conceptual models in rainfall‐runoff modeling”, J. Chen, B.J. Adams, Journal of Hydrology, Vol. 318, Nr. 1‐4, 2006, pp. 232‐249.
  10. Μπότσης, Δ., Λατινόπουλος, Π., Διαμαντάρας Κ., “Προσομοίωση της σχέσης βροχόπτωσης‐απορροής με αναδρομικά νευρωνικά δίκτυα”, 14ο Πανελλήνιο Συνέδριο Ελληνικής Υδροτεχνικής Ένωσης (ΕΥΕ), Πανεπιστήμιο Θεσσαλίας, Βόλος, Ελλάδα, Μάιος 2019, pp. 324‐334.
  11. “Dissection of trained neural network hydrologic models for knowledge extraction”, A. Jain, S. Kumar, Water Resources Research, Vol. 45, Nr. 7, 2009.
  12. “Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications”, H.R. Maier, G.C. Dandy, Environmental Modelling & Software, Vol. 15, Nr. 1, 2000, pp. 101–123.
  13. Μηχανική μάθηση. Κώστας Διαμαντάρας, Δημήτρης Μπότσης Δ., Αθήνα, Εκδόσεις Κλειδάριθμος, 2019.
  14. “Artificial neural network in hydrology”, ASCE Task Committee, Journal of Hydrologic Engineering, Vol. 5, Nr. 2, 2000, pp. 124–144.
  15. “Pattern recognition using generalized portrait method”, V. Vapnik, A. Lerner, A., Automation and Remote Control, Vol. 24, 1963, pp. 774‐780.
  16. “New support vector algorithms”, B. Schölkopf, A.J. Smola, R. C. Williamson, Neural computation, Vol. 12, Nr. 5, 2000, pp. 1207‐1245.
  17. “A comparative study of artificial neural networks and neuro‐fuzzy in continuous modeling of the daily and hourly behaviour of runoff”, M. Aqil, I. Kita, A. Yano, S. Nishiyama S., Journal of Hydrology, Vol. 337, Nr. 1, 2007, pp. 22‐34.
  18. Botsis, D., Latinopoulos, P., Diamantaras, K., “Rainfall‐runoff modeling using support vector regression and artificial neural networks”, 12th International Conference on Environmental Science and Technology, University of Aegean, Rhodes, Greece, September 2011, pp. 230‐237.
  19. Μπότσης, Δ., Λατινόπουλος, Π., Διαμαντάρας, Κ. “Προσομοίωση της σχέσης βροχόπτωσης‐απορροής με συνδυαστικούς αλγόριθμους μάθησης”, 3ο κοινό συνέδριο (13ο) Ε.Υ.Ε., (9ο) Ε.Ε.Δ.Υ.Π. και (1ο) Ε.Υ.Σ.: Ολοκληρωμένη Διαχείριση Υδατικών Πόρων στη Νέα Εποχή, Ε.Μ.Π., Αθήνα, Ελλάδα, Δεκέμβριος 2015, Τόμος Ι: pp. 25‐32.
  20. “Rainfall–Runoff Modeling Using Support Vector Machine in Snow‐Affected Watershed”, F. Sedighi, M. Vafakhah, R.J. Mohamad, Arabian Journal for Science and Engineering, Vol. 41, 2016, p.p. 4065–4076.
  21. “Rainfall‐runoff modeling using LSTM‐based multi‐state‐vector sequence‐to‐sequence model”, H. Yin, X. Zhang, F. Wang, Y. Zhang, R. Xia, J. Jin, Journal of Hydrology, Vol. 598, 2021, Article 126378.
  22. Botsis, D., Latinopoulos, P., Diamantaras, K. “Comparison of stochastic and machine learning models in streamflow forecasting”, International conference Protection and Restoration of the environment XIV, Thessaloniki, Greece, July 2018, pp. 23‐33.
  23. Neural Networks: A Comprehensive Foundation. Simon S. Haykin, Macmillan, New York, 1999.
  24. Προσομοίωση της σχέσης βροχόπτωσης‐απορροής με μεθόδους μηχανικής μάθησης. Δημήτρης Μπότσης, Διδακτορική διατριβή, Τμήμα Πολιτικών Μηχανικών, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, 2016.
  25. “Rainfall‐runoff models using artificial neural networks for ensemble streamflow prediction”, D. Jeong, Y. Kim, Hydrological Processes, Vol. 19, 2005, pp. 3819–3835.
  26. “A tutorial of support vector regression”, A.J. Smola, B. Scholkopf, Statistics and Computing, Vol. 14.3, 2004, pp. 199‐222.
  27. The Nature of Statistical Learning Theory. Vladimir N. Vapnik, Springer, New York, 2000.
  28. “River stage prediction based on a distributed support vector regression”, C.L. Wu, K.W. Chau, Y.S. Li, Journal of hydrology, Vol. 358, 2008, pp. 96‐111.
  29. “Making large‐scale support vector machine learning practical”, T. Joachims, Advances in kernel methods: support vector learning, MIT Press, 1999, pp. 169‐184.
  30. “Learning to Classify Text Using Support Vector Machines: Methods Theory and Algorithms”, T. Joachims, Computational Linguistics, Kluwer Academic Publishers, Vol. 29, Nr. 4, 2002.
  31. “River Flow Forecasting through Conceptual Model. Part 1—A Discussion of Principles”, J.E. Nash, J.V. Sutcliffe, J.V., Journal of Hydrology, Vol. 10, 1970, pp. 282‐290.
  32. “An experiment on the evolution of an ensemble of neural networks for streamflow forecasting”, M.A. Boucher, J.P. Laliberté, F. Anctil, Hydrology and Earth System Sciences, Vol. 14, Nr. 3, 2010, pp. 603‐612.

Most read articles by the same author(s)