Echtzeitvorhersage mit Hilfe Künstlicher Neuronaler Netze (KNN)

Größe: px

Ab Seite anzeigen:

Download "Echtzeitvorhersage mit Hilfe Künstlicher Neuronaler Netze (KNN)"

Georg Salzmann
vor 6 Jahren
Abrufe

Simulation historischer Ereignisse Christian Gattke 2.

1 Echtzeitvorhersage mit Hilfe Künstlicher Neuronaler Netze (KNN) Untersuchung der Möglichkeiten und Grenzen anhand der Simulation historischer Ereignisse Christian Gattke 2. Trierer Workshop zur Niederschlag-Abfluss-Modellierung September 2009

2 Gliederung Vor- und Nachteile des Einsatzes von KNN in der Hydrologie Methoden Fallstudie Traisen EZG Fallstudie Thur / Ill EZG Schlussfolgerungen

3 Vor- und Nachteile Vorteile: Kein a priori Wissen über das zu modellierende System erforderlich Geringer Datenbedarf / geringer Aufwand bei der Modellbildung Geringer Kalibrierungsaufwand Weniger sensitiv gegenüber Datenfehlern / statistischem Rauschen Schnelle Rechenzeiten (Echtzeit)

4 Vor- und Nachteile Nachteile: Kein a priori Wissen verwendbar / kein Erkenntnisgewinn Signifikante Systemveränderung (z.b. Bau eines HRB) erfordern Neu-Kalibrierung Extrapolationsfähigkeiten werden als gering eingeschätzt Autokorrelation des Abflusses / prediction lag effect, Vos & Rientjes (2005)

5 Q [cbm/s] N [mm] Vor- und Nachteile Prediction lag effect bei Erweiterung des Vorhersagezeitraums gemessen KNN (t+2) KNN (t+4) KNN (t+6) KNN (t+8) KNN (t+10) KNN (t+12) t [h]

6 Abfluss [m 3 /s] Vor- und Nachteile Evaluierung der Modellgüte über Summe der Fehlerquadrate Ganglinie um 6h verschoben / Nash-Sutcliffe Vorhersage Beobachtung Zeit [h]

7 Methoden State-of-the-art Algorithmen-Bibliothek (entwickelt für Vorhersagen auf dem Energiemarkt): Künstliche Neuronale Netze (KNN) Adaptive Logische Netze (ALN) Fuzzy und Neuro-Fuzzy Logik ARMA, ARIMA, ARIMAX modelle Kalman-Filter

8 Methoden Verwendete Netztypen ALN Künstliche Neuronale Netze (KNN) Adaptive Logische Netze (ALN) Einschichtiges KNN, Knoten in Binärbäumen gruppiert Ermöglicht ein überwachtes Lernen, bei dem die relevanten Einflussgrößen schrittweise selektiert werden

9 Methoden ALN Überwachtes Lernen

10 Fallstudie: Einzugsgebiet der Traisen Fallstudie Einzugsgebiet der Traisen Einzugsgebiet: Gewässer der Traisen in Niederöstereich (südlicher Zufluss zur Donau) Pegel Windpassing ( 700 km 2 ) Daten: 5 Jahre beobachteter Abfluss und Niederschlag (hochaufgelöst) aufgeteilt in Kalibrierung / Validierungs zeiträume + Verifizierungsereignis 2 Abflussereignisse mit Wiederkehrintervall > 20a

Veit Türnitz Lilienfeld Hohenberg Ramsau Türnitz Hainfeld

11 Fallstudie: Einzugsgebiet der Traisen Traisen EZG Herzogenburg St. Pölten Windpassing St. Veit Türnitz Lilienfeld Hohenberg Ramsau Türnitz Hainfeld Innerhalbach Annaberg Kernfeld Fig. 1a: Discharge Gauges Fig. 1b: Climate Gauges

12 Fallstudie: Einzugsgebiet der Traisen Modellkonfiguration Dreischichtige, sigmoides KNN mit 26 Eingangs-Neuronen, 9 versteckten Neuronen und einem Ergebnis-Neuron Eingangswerte: Beobachteter Abfluss der letzten 12 Stunden Beobachteter Niederschlag der letzten 12 Stunden Vorhergesagter Niederschlag der nächsten 12 Stunden (Zur Modell-Kalibrierung wurde gemessener Niederschlag anstelle der Vorhersage genutzt) Ergebniswert: Abfluss in 12 Stunden (t+12), kontinuierliche Simulation, Δt = 1h

13 Fallstudie: Einzugsgebiet der Traisen Modellkonfiguration t -11 t 0 t

14 Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Kalibrierung, NSE für gesamten Zeitraum =

15 Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung 120 mm 70 mm

16 Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Lilienfeld, 300 km 2 ) Verifizierung (Erweiterung des Vorhersagezeitraums)

17 Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t Observed Forecasted t /08/ /08/ /08/ /08/ /08/ /08/ /08/

18 Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t Observed Forecasted t /08/ /08/ /08/ /08/ /08/ /08/ /08/

19 Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t Observed Forecasted t /08/ /08/ /08/ /08/ /08/ /08/ /08/

20 Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t Observed Forecasted t /08/ /08/ /08/ /08/ /08/ /08/ /08/

21 Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t Observed Forecasted t /08/ /08/ /08/ /08/ /08/ /08/ /08/

22 Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung mit Niederschlagsvorhersagen (KNN)

23 Fallstudie: Einzugsgebiet der Traisen Modellkalibrierung ALN-Cluster ( <= 8 m 3 /s > ) Q beobachtet N beobachtet N Vorhersage

24 Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung mit Niederschlagsvorhersagen (ALN-Cluster)

25 Fallstudie: Einzugsgebiete der Ill / Thur Fallstudie Einzugsgebiete der Ill und Thur (Süd- Elsass) Einzugsgebiet: Gewässer der Ill und der Thur im Elsass Pegel Staffelfelden / Thur Pegel Didenheim / Ill ( 650 km 2 ) Daten: 10 Jahre beobachteter Abfluss und Niederschlag (hochaufgelöst) aufgeteilt in Kalibrierung / Validierungs zeiträume + Verifizierungsereignis Verfizierungsereignisse (Jan 95, Thur / März 06, Ill) höchste beobachtete Abflüsse seit 1973 (20a Wiederkehrintervall)

26 Fallstudie: Einzugsgebiete der Ill / Thur Vorhersageszenarien 3h Vorhersage des Abflusses ohne Verwendung von Niederschlagsvorhersagen 6h Vorhersage des Abflusses / Verwendung von 3h Niederschlagsvorhersagen (Radar-nowcasting) 12h Vorhersage des Abflusses / Verwendung von 12h Niederschlagsvorhersagen (nowcasting + regionales met. Modell)

27 Fallstudie: Einzugsgebiete der Ill / Thur Modell Konfiguration Deterministisches Modell zur Simulation der Schneeakkumulatuion und schmelze. Berücksichtigung eines flüssigen Anteils in der Schneedecke und einer erhöhten Schmelzintensität durch Energiezufuhr aus Regen (Anderson 1973, Braun 1985) Adaptive Logic Networks (ALNs) zur Berechnung des Abflusses, Eingangsgrößen: Ausgabe des Schneemodels + Regen

28 Fallstudie: Einzugsgebiete der Ill / Thur Modell Konfiguration Eingangswerte: - Beobachteter Abfluss der letzten 12 Stunden - Beobachtete Niederschläge der letzten 12 (Ill), 36 (Thur) Stunden - Niederschlagsvorhersage für die nächsten 0,3,12 Stunden (Zur Modellkalibrierung wurde gemessener Niederschlag anstelle der Vorhersage genutzt.) Ergebniswerte: Abfluss in 3,6,12 Stunden

29 Fallstudie: Einzugsgebiete der Ill / Thur Simulated Snowmelt (Thur) 390 mm Precipitation + Snowmelt ( )

30 Fallstudie: Einzugsgebiete der Ill / Thur Simulated Snowmelt (Ill) runoff coefficient 0.79 (62mm snowmelt + rain)

31 Fallstudie: Einzugsgebiete der Ill / Thur Calibration / Validation results 3h Forecast 6h Forecast 12h Forecast Staffelfelden (Thur) Didenheim (Ill)

32 Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Thur) Nash-Sutcliffe Model Efficiency (NSE) for 6h forecast:

33 Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Thur)

34 Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Ill)

35 Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Ill)

36 Schlussfolgerungen In der Kurzfristvorhersage können KNN im Scheitelanstieg bessere Ergebnisse liefern als konzeptionelle hydrologische Modelle Die Extrapolationsfähigkeiten scheinen zumindest nicht schlechter zu sein als bei hydrologischen Modellen Der Aufwand bei der Modellerstellung / -kalibrierung ist wesentlich geringer als bei hydrologischen Modellen KNN ersetzen keine hydrologische Modellierung in größeren EZG (Abbildungen von steuerbarenelementen wie HRB, Überleitungen usw.) KNN stellen eine sinnvolle Ergänzung dar

37 Danksagung Franz Hauer Hydrographischer Dienst Niederösterreich Nicolas Kreis - Service Aménagement de Rivières Conseil Général du Haut-Rhin

38 Referenzen Anderson, E. (1973): National Weather Service river forecast system - snow accumulation and ablation model. National Oceanographic and Atmospheric Administration (NOAA), Technical Memorandum NWS Hydro-17, 217 S. Braun, L. (1985): Simulation of snowmelt-runoff in lowland and lower alpine regions of Switzerland. Zürcher Geographische Schriften, 21. Vos, N. & Rientjes, T. (2005): Constraints of artificial neuronal networks for rainfall-runoff modelling: trade-offs in hydrological state representation and model evaluation, Hydrol. Earth Syst. Sci., 9,

39 Vielen Dank für Ihre Aufmerksamkeit! KISTERS AG Charlottenburger Allee 5 Tel info@kisters.de Aachen Fax

Ähnliche Dokumente

Gekoppelte Meteorologie-Hydrologie-Simulation Von der technischen Strategie hin zum Frühwarnsystem

Forschungszentrum Karlsruhe in der Helmholtz-Gemeinschaft Institut für Meteorologie & Klimaforschung IMK-IFU, Garmisch-Partenkirchen High-Tech-Offensive Zukunft Bayern Gekoppelte Meteorologie-Hydrologie-Simulation