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. Material 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 feedforward (SSN), 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 confirmed by three independent tests.
Highlights
In order to assess the quality of the forecast, four types of time series models were developed for the Smolice outlet gage station
Sketch of the recurrent neural network (RNN) neural network used in this study
Na podstawie wyliczonych wartości pierwiastka ze średniego błędu kwadratowego (RMSE) można stwierdzić, iż najdokładniejsze odwzorowanie danych wzorcowych w zbiorze uczącym uzyskano modelem RNN we wszystkich zestawach danych uczących
Summary
Celem niniejszego artykułu jest prezentacja możliwości i porównanie efektywności zastosowania modeli autoregresyjnych i sztucznych sieci neuronowych (SSN)do prognozy krótkoterminowej dobowych przepływów nieustalonych w czasie rzeczywistym na przykładzie systemu zlewni cząstkowej rzeki Wisły. Dobór zmiennych wejściowych i identyfikacja architektury modeli SSN Zmienne wejściowe do modelu mają postać opóźnionych dyskretnych wartości natężenia przepływu (równanie 1) określonych w przekrojach wodowskazowych analizowanej zlewni różnicowej rzeki Wisły (rys.). W celu określenia elementów serii czasowych, które będą pełniły rolę zmiennych wejściowych do modeli neuronowych, posłużono się kryterium minimalizacji średniego błędu kwadratowego (RMSE) aproksymacji sygnału wyjściowego za pomocą wielowymiarowej liniowej funkcji regresyjnej (AR) sygnału wejściowego opracowanego na podstawie zbioru danych d97 (tabela 1). Zmienne wejściowe z przekrojów wodowskazowych Pustynia na rzece Wiśle i Zator na rzece Skawie nie przyczyniły się do redukcji wartości błędu (RMSE) estymowanej zmiennej wyjściowej(QS,t), dlatego nie zostały dołączone do wektora zmiennych wejściowych opracowanych modeli SSN zgodnie z zasadą tzw. Sketch of the RNN neural network used in this study
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
