Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Niederschlags-Abfluss-Modellierung mit Long Short-Term Memory (LSTM)
Methoden der künstlichen Intelligenz haben sich in den letzten Jahren zu essenziellen Bestandteilen fast aller Bereiche von Wissenschaft und Technik entwickelt. Dies gilt auch für die Hydrologie: Vielschichtige neuronale Netzwerke – auch bekannt als Modelle des Deep Learning – ermöglichen hier Vorhersagen von Niederschlagsabflussmengen in zuvor unerreichter Präzision.
Dieser Beitrag beleuchtet das Potenzial von Deep Learning für wasserwirtschaftliche Anwendungen. Der erste Teil des Artikels zeigt, wie sogenannte Long Short-Term Memory-Netzwerke – eine spezifisch für Zeitreihen entwickelte Methode des Deep Learnings – für die Niederschlags-Abfluss-Modellierung verwendet werden, und wie diese für eine Reihe hydrologischer Probleme bessere Ergebnisse als jedes andere bekannte hydrologische Modell erzielen. Der zweite Teil demonstriert wesentliche Eigenschaften der Long Short-Term Memory-Netzwerke. Zum einen zeigen wir, dass diese Netzwerke beliebige Daten verarbeiten können. Dies erlaubt es, mögliche synergetische Effekte aus unterschiedlichen meteorologischen Datensätzen zu extrahieren und damit die Modellgüte zu verbessern. Zum anderen stellen wir dar, wie relevante hydrologische Prozesse (wie z. B. das Akkumulieren und Schmelzen von Schnee) innerhalb der Modelle abgebildet werden, ohne dass diese spezifisch darauf trainiert wurden.
Niederschlags-Abfluss-Modellierung mit Long Short-Term Memory (LSTM)
Methoden der künstlichen Intelligenz haben sich in den letzten Jahren zu essenziellen Bestandteilen fast aller Bereiche von Wissenschaft und Technik entwickelt. Dies gilt auch für die Hydrologie: Vielschichtige neuronale Netzwerke – auch bekannt als Modelle des Deep Learning – ermöglichen hier Vorhersagen von Niederschlagsabflussmengen in zuvor unerreichter Präzision.
Dieser Beitrag beleuchtet das Potenzial von Deep Learning für wasserwirtschaftliche Anwendungen. Der erste Teil des Artikels zeigt, wie sogenannte Long Short-Term Memory-Netzwerke – eine spezifisch für Zeitreihen entwickelte Methode des Deep Learnings – für die Niederschlags-Abfluss-Modellierung verwendet werden, und wie diese für eine Reihe hydrologischer Probleme bessere Ergebnisse als jedes andere bekannte hydrologische Modell erzielen. Der zweite Teil demonstriert wesentliche Eigenschaften der Long Short-Term Memory-Netzwerke. Zum einen zeigen wir, dass diese Netzwerke beliebige Daten verarbeiten können. Dies erlaubt es, mögliche synergetische Effekte aus unterschiedlichen meteorologischen Datensätzen zu extrahieren und damit die Modellgüte zu verbessern. Zum anderen stellen wir dar, wie relevante hydrologische Prozesse (wie z. B. das Akkumulieren und Schmelzen von Schnee) innerhalb der Modelle abgebildet werden, ohne dass diese spezifisch darauf trainiert wurden.
Niederschlags-Abfluss-Modellierung mit Long Short-Term Memory (LSTM)
Rainfall-Runoff modeling with Long Short-Term Memory Networks (LSTM)—an overview
Kratzert, Frederik (Autor:in) / Gauch, Martin (Autor:in) / Nearing, Grey (Autor:in) / Hochreiter, Sepp (Autor:in) / Klotz, Daniel (Autor:in)
Österreichische Wasser- und Abfallwirtschaft ; 73 ; 270-280
01.08.2021
11 pages
Aufsatz (Zeitschrift)
Elektronische Ressource
Deutsch
Deep Learning , Niederschlags-Abfluss-Modellierung , LSTM Deep Learning , Rainfall-Runoff modeling , LSTM Engineering , Engineering, general , Water Industry/Water Technologies , Chemistry/Food Science, general , Waste Water Technology / Water Pollution Control / Water Management / Aquatic Pollution , Waste Management/Waste Technology
Unsicherheitsanalyse in der Niederschlags-Abfluss Modellierung
| HENRY – Bundesanstalt für Wasserbau (BAW) | 2008
Niederschlagsdisaggregation für hochaufgelöste Niederschlags-Abfluss-Simulationen
| HENRY – Bundesanstalt für Wasserbau (BAW) | 2018