Modelowanie serii czasowych przepływów w krótkoterminowej prognozie hydrologicznej
Authors:
- Tomasz Siuta
Abstract
Aim of the study Within this article an example of an effective approach to real-time, short term forecast of flood rates within Vistula river differential catchment was presented. This forecast is based on flow rates time series measured at the water gauge input and output cross sections of the river system with a daily delay without taking into account any precipitation data. Materials and methods In order to assess the quality of the forecast, four types of time series models were developed for the Smolice outlet gage station. The first type of model is the conventional linear autoregressive relationship (AR), the second one -three layer neural network feed forward , the third one – two layer recursive neural network and the fourth one- three layer special kind of recurrent neural network (RNN). All models were trained and tested based on historical flood events data. Results and conclusions Among the all tested model types, the most accurate prediction of the instantaneous value of the flow rate in the outlet cross section of the Vistula catchment was obtained using the RNN model. This type of model also had the greatest ability to generalize results.
- Record ID
- CUT131d242ef3b1412a84f7e8b6acd34bc0
- Publication categories
- ;
- Author
- Other language title versions
- Modeling of the flow time series for a short-term hydrological forecast
- Journal series
- Acta Scientiarum Polonorum Formatio Circumiectus, ISSN 1644-0765, Semiannual
- Issue year
- 2020
- Vol
- 19 (3)
- Pages
- 3-14
- Other elements of collation
- schem.; tab.; wykr.; Bibliografia (na s.) - 13-14; Oznaczenie streszczenia - Abstr. pol., ang.; Numeracja w czasopiśmie - Vol. 19 (3)
- Keywords in Polish
- system rzeczny, serie czasowe, prognoza krótkoterminowa, przepływ kulminacyjny, modele autoregresyjne, rekurencyjna sieć neuronowa
- Keywords in English
- river system, flow rate time series, short-term forecast, peak flow rate , autoregressive model, recurrent neural Network.
- Abstract in Polish
- Cel pracy W niniejszym artykule przedstawiono przykład opracowania skutecznej prognozy krótkoterminowej w cza-sie rzeczywistym przepływów wezbraniowych w przekroju wodowskazowym wybranej zlewni różnicowej rzeki Wisły. Prognoza ta oparta jest na przepływach obserwowanych w przekrojach wejściowych i wyjścio-wym systemu rzecznego z dobowym opóźnieniem bez uwzględnienia jakichkolwiek danych opadowych. Materiał i metody W celu oceny jakości prognozy opracowano cztery typy modeli serii czasowych chwilowego natężenia prze-pływu dla przekroju wyjściowego Smolice na rzece Wiśle. Pierwszy typ modelu to konwencjonalna liniowa zależność autoregresyjna (AR), drugi-trójwarstwowa sieć neuronowa typu feedforward (SSN), trzeci -dwu-warstwowa rekurencyjna sieć neuronowa i czwarty- trójwarstwowa rekurencyjna sieć neuronowa (RNN). Wszystkie modele były kalibrowane i testowane w oparciu o dane historyczne w formie hydrogramów na-tężenia przepływu. Wyniki i wnioski Spośród wszystkich testowanych typów modeli najdokładniejszą prognozę wartości chwilowej natężenia przepływu w przekroju zamykającym zlewnię uzyskano za pomocą modelu RNN. Ten typ modelu miał również największą zdolność do generalizowania wyników wykazując podobną jakość prognozy w trzech niezależnych testach.
- URL
- http://acta.urk.edu.pl/Modelowanie-serii-czasowych-przeplywow-w-krotkoterminowej-prognozie-hydrologicznej,126852,0,2.html Opening in a new tab
- Language
- pol (pl) Polish
- License
- Score (nominal)
- 40
- Uniform Resource Identifier
- https://cris.pk.edu.pl/info/article/CUT131d242ef3b1412a84f7e8b6acd34bc0/
- URN
urn:pkr-prod:CUT131d242ef3b1412a84f7e8b6acd34bc0
* presented citation count is obtained through Internet information analysis, and it is close to the number calculated by the Publish or PerishOpening in a new tab system.