Datadrevne prognoser for vandstand i vandløb - og undersøgelse af værdien af jordfugtighed som input
Oversat titel
Forecasting river stage with data driven models - and investigating the value of soil moisture as input
Forfatter
Westarp, Samuel
Semester
4. semester
Uddannelse
Udgivelsesår
2022
Afleveret
2022-06-25
Resumé
Dette speciale undersøger, om man kan forudsige vandstand i rurale vandløb op til 36 timer frem ved hjælp af rent datadrevne modeller med oversvømmelsesvarsling som mål. Her betyder datadrevne modeller neurale netværk, der lærer mønstre direkte fra måledata i stedet for fra fysiske ligninger. Vi tester også, om realtidsmålinger af jordfugtighed kan forbedre forudsigelserne. I et lille opland (det område, der afvander til et vandløb) forbedrer jordfugtighedsdata forudsigelserne, mens der i to større oplande ikke ses nogen tydelig forbedring. Resultaterne viser, at den anvendte neurale netværksarkitektur kan levere pålidelige prognoser og dermed danne grundlag for effektiv varsling. Et trænet netværk kan desuden overføres til andre vandløb med kun et minimum af lokale data.
This thesis examines whether water levels in rural streams can be predicted up to 36 hours ahead using purely data-driven models aimed at flood warning. Here, data-driven models mean neural networks that learn patterns directly from measurements rather than from physical equations. We also test whether real-time soil moisture measurements improve the forecasts. In a small catchment (the area that drains into a stream), soil moisture data improve predictions, while in two larger catchments there is no clear improvement. The chosen neural network architecture delivers reliable forecasts that can support effective warning. A trained network can also be transferred to other streams with only a minimum of local data.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]
Emneord