Το νευρωνικό δίκτυο LSTM ως υδρολογικό μοντέλο βροχής απορροή

Ζάχος, Αλέξανδρος

dc.contributor.author	Ζάχος, Αλέξανδρος	el
dc.date.accessioned	2021-03-26T07:13:11Z
dc.date.available	2021-03-26T07:13:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53131
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20829
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	LSTM	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μοντέλο βροχής-απορροής	el
dc.subject	Machine learning	en
dc.subject	Artificial neural networks	en
dc.subject	Artificial neural networks	en
dc.subject	Rainfall-runoff	en
dc.subject	Pytorch	en
dc.subject	Υδρολογία	el
dc.title	Το νευρωνικό δίκτυο LSTM ως υδρολογικό μοντέλο βροχής απορροή	el
dc.contributor.department	Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-12
heal.abstract	Τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούνται ευρέως για την ανάλυση ιστορικών δεδομένων με σκοπό την πρόβλεψη μελλοντικών τιμών. Ανάμεσα στους πολλούς τομείς εφαρμογής τους, ανήκει η εξέταση φυσικών φαινομένων. Για την επιστήμη της υδρολογίας ένα εξέχον ζήτημα είναι η μελέτη της σχέσης της βροχής με την απορροή σε επίπεδο υδρολογικής λεκάνης. Η εξέταση της συσχέτισης βροχής-απορροής εφαρμόζεται σε συγκεκριμένη υδρολογική λεκάνη με βάση τα υδρολογικά και γεωλογικά χαρακτηριστικά της σε συνδυασμό με υδρομετεωρολογικά δεδομένα. Οι παραδοσιακές μέθοδοι αξιοποιούν φυσικά και εννοιολογικά μοντέλα βροχής-απορροής. Τα τεχνητά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί ως μια μέθοδος data driven αρχιτεκτονικής με σκοπό να δώσουν λύση στο συγκεκριμένο ζήτημα μέσω «εκπαίδευσης» τους σε ιστορικά δεδομένα. Ο στόχος τους είναι να προβλέψουν την απορροή της λεκάνης και πιθανά πλημμυρικά επεισόδια. Μια αδυναμία των παραδοσιακών τεχνητών νευρωνικών δικτύων είναι ότι δεν έχουν τη δυνατότητα μεγάλης μνήμης. Συνεπώς χρονοσειρές που περιλαμβάνουν ακραίες τιμές ή συγκεκριμένη ακολουθία καταστάσεων καθιστούν την ανάλυση μη προσαρμοστική στην πραγματικότητα. Στην παρούσα εργασία γίνεται μελέτη του Long-Short Term Memory (LSTM) επαναλαμβανόμενου τεχνητού νευρωνικού δικτύου (recursive). Σε αντίθεση με τα κλασικά ανεστραμμένα νευρωνικά δίκτυα (feedforward), το LSTM διαθέτει πύλες ανάδρασης με δυνατότητες μνήμης που λαμβάνουν υπόψη μεγαλύτερο μήκος χρονοσειράς. Συνεπώς το LSTM μπορεί να ανιχνεύσει πιο αποτελεσματικά τη μεταβλητότητα των φυσικών φαινομένων. Η ανάλυση έγινε με βάση τα αποτελέσματα εφαρμογής μοντέλου LSTM σε υδρολογικές λεκάνες της ηπειρωτικής περιοχής των ΗΠΑ, όπως έχει αναπτυχθεί σε σχετική βιβλιογραφία. Αντικείμενο της εργασίας είναι η έρευνα και ανάπτυξη υπολογιστικών τεχνικών για την εφαρμογή του LSTM ως μοντέλο βροχής-απορροής. Η μελέτη περιλαμβάνει τη χρήση του Machine Learning framework PyTorch και κώδικα για την επεξεργασία δεδομένων. Ένας από τους στόχους της εργασίας είναι η ανάδειξη των πληροφοριακών συστημάτων ως εργαλεία για τις φυσικές επιστήμες όπως αυτή της υδρολογίας.	el
heal.abstract	The artificial neural networks (ANN) are used on a global scale for the analysis of historical data with an aim to forecast future values. One of the sectors of their application is the analysis of natural phenomena. The science of hydrology contains as an important matter of research the examination of the relation between the precipitation and the river basin discharge. The so-called rainfall-runoff model is applied on a river basin using hydrological, geospatial kai meteorological data. The traditional methods of rainfall-runoff relation use physical or conceptual models. The artificial neural networks have been used as a data-driver method to face the issue of rainfall-runoff relation by training using historical data. Their aim is to forecast the river basin discharge and possible events of floods. A weakness of the traditional ANNs is that they do not have memory capabilities. Therefore, they cannot capture or analyze in a realistic way long time-series of data that contain outliers or specific series of statuses. The current thesis examines the use of Long-Short Term Memory (LSTM) recurrent ANN. On the contrary with the classic feedforward ANNs, the LSTM contain feedback gates with memory capabilities that take into consideration a longer length of time-series. So the LSTM is able to detect efficiently the variation of the natural events. The analysis has been made based on the results of LSTM application to the continental region of the USA as it has been performed on relevant bibliography. The object of the thesis is the research and development of hydrological techniques for the application of LSTM as a rainfall-runoff model. The examination made the use of the machine learning framework PyTorch and software code for the data processing. A target of the current thesis is to highlight information systems as tools for the needs of natural sciences like hydrology.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	el
heal.committeeMemberName	Μπαλτάς, Ευάγγελος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	61 σ.	el
heal.fullTextAvailability	false