Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17882
Title: Το νευρωνικό δίκτυο LSTM ως υδρολογικό μοντέλο βροχής απορροής
Authors: Ζάχος, Αλέξανδρος
Κοζύρης Νεκτάριος
Keywords: LSTM
μηχανική μάθηση
νευρωνικά δίκτυα
υδρολογία
μοντέλο βροχής-απορροής
PyTorch
machine learning
artificial neural networks
hydrology
rainfaill-runoff
Issue Date: 12-Mar-2021
Abstract: Τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούνται ευρέως για την ανάλυση ιστορικών δεδομένων με σκοπό την πρόβλεψη μελλοντικών τιμών. Ανάμεσα στους πολλούς τομείς εφαρμογής τους, ανήκει η εξέταση φυσικών φαινομένων. Για την επιστήμη της υδρολογίας ένα εξέχον ζήτημα είναι η μελέτη της σχέσης της βροχής με την απορροή σε επίπεδο υδρολογικής λεκάνης. Η εξέταση της συσχέτισης βροχής-απορροής εφαρμόζεται σε συγκεκριμένη υδρολογική λεκάνη με βάση τα υδρολογικά και γεωλογικά χαρακτηριστικά της σε συνδυασμό με υδρομετεωρολογικά δεδομένα. Οι παραδοσιακές μέθοδοι αξιοποιούν φυσικά και εννοιολογικά μοντέλα βροχής-απορροής. Τα τεχνητά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί ως μια μέθοδος data driven αρχιτεκτονικής με σκοπό να δώσουν λύση στο συγκεκριμένο ζήτημα μέσω «εκπαίδευσης» τους σε ιστορικά δεδομένα. Ο στόχος τους είναι να προβλέψουν την απορροή της λεκάνης και πιθανά πλημμυρικά επεισόδια. Μια αδυναμία των παραδοσιακών τεχνητών νευρωνικών δικτύων είναι ότι δεν έχουν τη δυνατότητα μεγάλης μνήμης. Συνεπώς χρονοσειρές που περιλαμβάνουν ακραίες τιμές ή συγκεκριμένη ακολουθία καταστάσεων καθιστούν την ανάλυση μη προσαρμοστική στην πραγματικότητα. Στην παρούσα εργασία γίνεται μελέτη του Long-Short Term Memory (LSTM) επαναλαμβανόμενου τεχνητού νευρωνικού δικτύου (recursive). Σε αντίθεση με τα κλασικά ανεστραμμένα νευρωνικά δίκτυα (feedforward), το LSTM διαθέτει πύλες ανάδρασης με δυνατότητες μνήμης που λαμβάνουν υπόψη μεγαλύτερο μήκος χρονοσειράς. Συνεπώς το LSTM μπορεί να ανιχνεύσει πιο αποτελεσματικά τη μεταβλητότητα των φυσικών φαινομένων. Η ανάλυση έγινε με βάση τα αποτελέσματα εφαρμογής μοντέλου LSTM σε υδρολογικές λεκάνες της ηπειρωτικής περιοχής των ΗΠΑ, όπως έχει αναπτυχθεί σε σχετική βιβλιογραφία. Αντικείμενο της εργασίας είναι η έρευνα και ανάπτυξη υπολογιστικών τεχνικών για την εφαρμογή του LSTM ως μοντέλο βροχής-απορροής. Η μελέτη περιλαμβάνει τη χρήση του Machine Learning framework PyTorch και κώδικα για την επεξεργασία δεδομένων. Ένας από τους στόχους της εργασίας είναι η ανάδειξη των πληροφοριακών συστημάτων ως εργαλεία για τις φυσικές επιστήμες όπως αυτή της υδρολογίας.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17882
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
diplomatiki - Zachos_20210312.pdf2.33 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.