Oversvømmelsesvarsling i Vejle - Prognosticering af vandstande med neurale netværk
Oversat titel
Flood warning in Vejle - Forecasting of water levels with neural networks
Forfattere
Refsgaard, Benjamin ; Jensen, Thomas Aagaard
Semester
4. semester
Uddannelse
Udgivelsesår
2018
Afleveret
2018-06-08
Antal sider
105
Abstract
Vejle har i mange år været plaget af oversvømmelser. For at mindske risikoen har kommunen opført en sluse og et fordelings- og reguleringsanlæg, der kan styre vandstanden i Omløbsåen, som løber gennem bymidten. Denne kandidatafhandling udvikler data-drevne metoder til at forudsige vandstande i Omløbsåen og i Grejs Å, som afleder størstedelen af oplandets afstrømning. De foreslåede prognoser dækker flere forudsigelseshorisonter (lead times). I stedet for klassiske deterministiske modeller baseret på styrende ligninger anvendes neurale netværk – maskinlæringsmodeller, der kan finde komplekse sammenhænge mellem fx nedbør og vandstand. Korte prognoser er vigtige for driftsbeslutninger og realtidsstyring af sluse og fordelingsanlæg. Længere prognoser kan bruges til at advare og forberede borgerne i Vejle på øget afstrømning fra Grejs Ås opland. Analyserne viser, at de bedste modeller til kortsigtede forudsigelser baserer sig på den aktuelle vandstand og dens nylige udvikling (tendens). Kommunen ønsker at holde slusen åben så meget som muligt af hensyn til fiskenes vandring; de korte prognoser kan derfor både afgøre, hvornår slusen bør lukkes i kritiske situationer, og hvornår den kan åbnes igen. Til længere horisonter er de bedste modeller også baseret på den aktuelle vandstand, men de inkluderer desuden nedbør, fordi den indikerer, om vandstanden er på vej op eller ned. Det konkluderes, at langtidsmodeller, der inddrager nedbør, klarer sig bedst, når oplandet overvejende er landligt, hvor afstrømningen følger naturlige hydrologiske processer.
Vejle has struggled with flooding for many years. To reduce risk, the municipality built a sluice and a distribution and control structure to regulate water levels in Omløbsåen, which runs through the city center. This master’s thesis develops data-driven methods to forecast water levels in Omløbsåen and in Grejs Å, which drains most of the catchment. The forecasts cover multiple lead times. Instead of classical deterministic models based on governing equations, the thesis uses neural networks—machine-learning models that can learn complex relationships between, for example, rainfall and water level. Short-term forecasts support operational decisions and real-time control of the sluice and the distribution structure. Longer-term forecasts can be used to warn and prepare Vejle’s citizens for increased runoff from the Grejs Å catchment. Analyses show that the best short-term models rely on the current water level and its recent trend. The municipality aims to keep the sluice open as much as possible to allow fish migration; short-term forecasts can therefore inform both when to close the sluice in critical situations and when it is safe to reopen it. For longer lead times, the best models are also based on the current water level but additionally include rainfall, as it indicates whether the level is rising or falling. The thesis concludes that long-term models that include rainfall perform best when the catchment is mostly rural, where runoff is governed by natural hydrological processes.
[Dette resumé er genereret ved hjælp af AI]
Emneord