Προσομοίωση της σχέσης βροχόπτωσης - απορροής με μεθόδους μηχανικής μάθησης

Abstract

The conversion of precipitation to runoff is considered one of the most important research areas in the science of hydrology. The rainfall-runoff modelling provides considerable information about the hydrologic behavior of a watershed and given the probability of appearance of flood events which usually caused from extreme weather phenomena. The watershed management and the planning of hydraulic technical infrastructure depends on water influx, losses and final discharges. The main water influx in the watershed comes from precipitation (rainfall and snowfall) and the losses include infiltration, evapotranspiration and interception. Finally the remaining water from the difference between influx and losses is the water discharge. The complexity of the rainfall-runoff relationship and the numerous parameters it involves make it difficult to determine a mathematical function that will describe precisely the final runoff. Artificial intelligence and machine learning methods have the important advantage that they can approach the hydrological phenomena without requiring the exact knowledge of the physical parameters that affect the rainfall-runoff relationship. The fact that these methods have the ability to determine a relationship between inputs and target data makes them powerful computational tools for the simulation of complex water processes such as the transformation of precipitation to runoff. In the present dissertation four models were developed for the rainfall-runoff simulation, each one using a different machine learning approach. More specifically the author has developed models of artificial neural networks, Bayesian neural networks, support vector regression models and ensemble methods (Boosting and Bagging). We make a special mention to the Boosting learning algorithm, which was developed in order to be adaptable to the special characteristics of the meteorological and hydrological data, providing accurate predictions both of normal and extreme runoff values. This particular model named HydroBAL which is the initialism for “Hydrologic Boosting ALgorithm”. The models were applied to three watersheds for which data of precipitation and runoff were available. The application of the models showed that all of them simulate efficiently the rainfall-runoff relationship and their differences are minor. An important aspect of the models is their considerable accuracy in forecasting the extreme values. These values rarely appear in the time series data (inputs-targets) and diverge from the normal data range, so their prediction is very difficult. However these values are important because they are directly connected to flood events. Finally the effectiveness of these models at all levels of runoff simulation and forecasting create positive expectations for their generalization applicability.

Το υδρολογικό φαινόμενο του μετασχηματισμού των κατακρημνίσεων σε απορροή αποτελεί ένα από τα σημαντικότερα πεδία έρευνας στην επιστήμη της υδρολογίας. Η μοντελοποίηση της σχέσης βροχόπτωσης-απορροής παρέχει αξιόλογες πληροφορίες για την υδρολογική συμπεριφορά μίας λεκάνης απορροής και την πιθανότητα εμφάνισης πλημμυρικών γεγονότων που προκαλούνται συνήθως από ακραία καιρικά φαινόμενα. Η διαχείριση των νερών σε επίπεδο λεκάνης απορροής και ο σχεδιασμός υδραυλικών τεχνικών έργων στηρίζονται στις εισροές, απώλειες και τελικές εκροές νερού, δηλαδή στις κατακρημνίσεις, στις απώλειες που δημιουργούνται από τη διήθηση, εξατμισοδιαπνοή και υδατοσυγκράτηση και τελικά στο νερό που απομένει και απορρέει. Η πολυπλοκότητα του φαινομένου και ο μεγάλος αριθμός παραμέτρων από τους οποίους επηρεάζεται καθιστούν δύσκολη την εύρεση μίας μαθηματικής συνάρτησης που να προσδιορίζει με ακρίβεια την τελική απορροή. Οι μέθοδοι τεχνητής νοημοσύνης και μηχανικής μάθησης έχουν το τεράστιο πλεονέκτημα της προσέγγισης υδρολογικών φαινομένων, όπως η σχέση βροχόπτωσης-απορροής, χωρίς να είναι απαραίτητη η γνώση των φυσικών παραμέτρων που την επηρεάζουν. Η ικανότητά τους να δημιουργούν μία σχέση μεταξύ δεδομένων εισόδων και στόχων τα καθιστά πανίσχυρα υπολογιστικά εργαλεία για την προσομοίωση των πολύπλοκων διεργασιών του νερού, όπως ο μετασχηματισμός των κατακρημνίσεων σε απορροή. Στην παρούσα ερευνητική εργασία αναπτύχθηκαν μοντέλα για την προσομοίωση της σχέσης βροχόπτωσης-απορροής που εντάσσονται σε τέσσερις διαφορετικές προσεγγίσεις μηχανικής μάθησης. Ειδικότερα δημιουργήθηκαν μοντέλα τεχνητών νευρωνικών δικτύων, Bayesian νευρωνικών δικτύων, παλινδρόμησης των μηχανών διανυσμάτων υποστήριξης και συνδυαστικών αλγορίθμων μάθησης (Boosting και Bagging). Ειδική αναφορά πρέπει να γίνει σε ένα μοντέλο συνδυαστικού αλγόριθμου μάθησης Boosting το οποίο κατασκευάστηκε με σκοπό να προσαρμόζεται στις ιδιαιτερότητες των μετεωρολογικών και υδρολογικών δεδομένων παρέχοντας τη μέγιστη δυνατή ακρίβεια πρόβλεψης κανονικών και ακραίων τιμών απορροής ταυτόχρονα. Για το συγκεκριμένο μοντέλο προτάθηκε η ονομασία HydroBAL που αποτελεί το ακρωνύμιο της έκφρασης «Hydrologic Boosting ALgorithm». Ως πεδίο εφαρμογής των μοντέλων επιλέχθηκαν τρεις λεκάνες απορροής, για τις οποίες υπήρχαν διαθέσιμα στοιχεία κατακρημνίσεων και απορροών. Η εφαρμογή των μοντέλων κατέδειξε τη μεγάλη αποτελεσματικότητα τους στην προσομοίωση του υδρολογικού φαινομένου και οι μεταξύ τους διαφορές διαπιστώθηκε ότι είναι πολύ μικρές. Αξιοσημείωτη είναι η καλή συμπεριφορά των μοντέλων στις πολύ ακραίες τιμές, οι οποίες παρατηρούνται σποραδικά στις χρονοσειρές των προτύπων εισόδων-στόχων και αποκλίνουν από το σύνηθες εύρος τιμών των δεδομένων με αποτέλεσμα η πρόβλεψη τους να είναι δύσκολη. Η σημαντικότητα του γεγονότος έγκειται στο ότι οι ακραίες τιμές είναι αυτές που δίνουν τα πλημμυρικά γεγονότα. Τελικά η αποτελεσματικότητα των μοντέλων σε όλα τα επίπεδα προσομοίωσης και πρόβλεψης της απορροής δημιουργεί θετικές προοπτικές για τη γενικευμένη εφαρμογή τους.