Anwendung von neuronalen Netzen und maschinellen Lernmethoden in der hydrologischen Modellierung im Kontext des Klimawandels

Stipendiatin/Stipendiat: Stanislaw Bidowaniec

Der Zweck dieses Projektes ist, ein datengetriebenes hydrologisches Modell zu bauen, das zu langfristigen Vorhersagen über die komplette Bandbreite von Durchflüssen fähig ist, die im Einzugsgebiet vorkommen. Der erste Schritt ist es, ein System aus parallelen Einzelmodellen zu schaffen, die jeweils auf Durchflüsse innerhalb verschiedener Grenzwerte spezialisiert sind. Der nächste Schritt soll die Temperatur als ein Faktor einschließen, der es dem Modell ermöglicht, das Abflussverhalten zwischen Sommer und Winter (Schneeschmelze) zu unterscheiden. ANN Modelle werden häufig in der Hydrologie für das Modellieren von Kurzfristprognosen angewendet. Die Fähigkeit ihrer breiten Anpassung, erlaubt das Modellieren von Sedimenttransport und Überschwemmungen, die durch den Niederschlag oder das Schneeschmelzen verursacht sind. Single ANN-Modelle können nur eine Art von Verhalten darstellen. Aditionary Ann-Modelle verwenden oft die vorhergesagten Werte als Eingaben in den nächsten Prognoseschritten. Allerdings sind Modelle, die in der Lage sind, langfristige Prognosen im gesamten Spektrum der Phänomene erforderlich sind, erforderlich.

Förderzeitraum:
07.02.2017 - 06.08.2017

Institut:
Technische Universität Dresden Institut für Hydrologie und Meteorologie

Betreuer:
Prof. Dr. Niels Schütze

E-Mail: E-Mail schreiben

URL: http://www.aqua.up.wroc.pl/