River Flood Forecasting using Long-Short Term Memory Neural Networks
Translated title
Forudsigelse af Flodoversvømmelse ved Brug af Long-Short Term Neurale Netværk
Author
Ertlmeier, Lars Eric
Term
4. Term
Publication year
2022
Submitted on
2022-06-01
Pages
77
Abstract
Denne afhandling undersøger, hvordan man kan forudsige oversvømmelser i vandløb ved hjælp af en data-drevet tilgang, der potentielt kan anvendes i enhver oplandstype. Vi bruger Long Short-Term Memory (LSTM) neurale netværk, en type maskinlæringsmodel, der er god til at lære mønstre i tidsserier som nedbør og vandstand. Vi udvikler en metode til automatisk at vælge, hvordan den seneste nedbør bedst opsummeres som inddata til modellen. Metoden udvælger bevægelige gennemsnit over flere tidsvinduer (en form for forsinkede målinger) ved hjælp af en multipel Spearman-rangkorrelation, som måler, hvor stærkt de opsummerede nedbørsserier hænger sammen med ændringer i vandstanden. Vi afprøvede metoden ved Abelones Plads i Vejle. Den bedste model var en dyb residual LSTM med 8 lag (residual henviser til skip-forbindelser, der hjælper dybe netværk med at lære). Denne model kan forklare op til 67% af variationen i ændringen af vandstand med en varslingstid på 3 timer. Når modellen ikke overgår en simpel nul-ordens referenceprognose (der antager ingen ændring), kan hændelserne forklares med meget ujævnt fordelt regn, som ikke fanges godt af den enkeltstående regnmåler, vi havde til rådighed. Samlet set peger resultaterne på, at LSTM-modeller kan bruges til at forudsige oversvømmelser, om end nøjagtigheden påvirkes, når nedbøren varierer kraftigt på tværs af området og målingerne ikke dækker det tilstrækkeligt.
This thesis explores how to forecast river floods using a data-driven approach that can, in principle, be applied to any catchment. We use Long Short-Term Memory (LSTM) neural networks, a type of machine learning model well-suited to learning patterns in time series such as rainfall and water levels. We develop a method to automatically choose how to summarize recent rainfall as inputs to the model. The method selects moving-average blocks over multiple time windows (a form of delayed inputs) using a multiple Spearman rank correlation, which assesses how strongly these rainfall summaries are associated with changes in water level. We tested the approach at Abelones Plads in Vejle. The best model was an 8-layer Deep Residual LSTM (residual refers to skip connections that help train deep networks). This model explains up to 67% of the variance in water-level change with a prediction lead time of 3 hours. When the model failed to outperform a simple zero-order benchmark (which assumes no change), those cases were linked to highly uneven rainfall across space that could not be captured well by the single rain gauge available. Overall, the results indicate that LSTM models can be used to forecast floods, although accuracy is affected when rainfall varies strongly across the area and observations do not capture that variability.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents