Large - scale evaluation of machine learning & conceptual approaches in rainfall - runoff modeling

Κουτσός, Γεώργιος; Koutsos, Georgios

dc.contributor.author	Κουτσός, Γεώργιος	el
dc.contributor.author	Koutsos, Georgios	en
dc.date.accessioned	2024-11-07T13:43:46Z
dc.date.available	2024-11-07T13:43:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60392
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28088
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη και Τεχνολογία Υδατικών Πόρων”	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Υδρολογικά μοντέλα	el
dc.subject	Βροχή απορροή	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Rainfall runoff	en
dc.subject	Machine learning	en
dc.subject	Large - sample hydrology	en
dc.subject	Long short - term memory	en
dc.subject	Transformer	en
dc.title	Large - scale evaluation of machine learning & conceptual approaches in rainfall - runoff modeling	en
heal.type	masterThesis
heal.classification	Hydrological modeling	en
heal.classification	Υδρολογική προσομοίωση	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-05
heal.abstract	Η παρούσα εργασία εστιάζει στη διερεύνηση της χρήσης μοντέλων μηχανικής μάθησης ως μοντέλων βροχής-απορροής. Για τον σκοπό αυτό επιλέχθηκε η ανάπτυξη ενός Long Short-Term Memory, ενός Transformer και ενός εννοιολογικού μοντέλου. Η επιλογή του μοντέλου Long Short-Term Memory έγινε δεδομένης της ευρείας χρήσης του σε πλήθος προβλημάτων πρόβλεψης χρονοσειρών και συγκεκριμένα σε προβλήματα πρόβλεψης απορροής. Το μοντέλο Transformer επιλέχθηκε διότι, παρά την εκτενή χρήση ως μοντέλου επεξεργασίας φυσικής γλώσσας (Natural language processing), η χρήση του ως μοντέλου πρόβλεψης χρονοσειρών είναι ακόμα αρκετά περιορισμένη. Για τη σύγκριση των παραπάνω μοντέλων, εφαρμόστηκε το εννοιολογικό μοντέλο Zygos, που έχει αναπτυχθεί από την ερευνητική ομάδα ΙΤΙΑ του Εθνικού Μετσόβιου Πολυτεχνείου. Η ανάπτυξη και εφαρμογή αυτών των μοντέλων πραγματοποιήθηκε ξεχωριστά για 164 λεκάνες απορροής που περιέχονται στο σετ δεδομένων του CARAVAN. Αυτές οι λεκάνες βρίσκονται στις Ηνωμένες Πολιτείες και επιλέχθηκαν για να καλύψουν ένα ευρύ φάσμα υδρολογικών συνθηκών. Η ανάλυση των τελικών μοντέλων έγινε σε επίπεδο λεκάνης απορροής, όπου τα μοντέλα εκπαιδεύτηκαν - βαθμονομήθηκαν και αξιολογήθηκαν για την ίδια χρονική περίοδο. Τα αποτελέσματα δείχνουν ότι τα μοντέλα μηχανικής μάθησης μπορούν να χρησιμοποιηθούν αποτελεσματικά ως μοντέλα βροχής-απορροής, καθώς υπερέχουν στα κριτήρια επίδοσης σε σύγκριση με τo παραδοσιακό εννοιολογικό μοντέλο.	el
heal.abstract	This work focuses on investigating the use of machine learning models as rainfall-runoff models. For this purpose, the development of a Long Short-Term Memory, a Transformer, and a conceptual model was chosen. The Long Short-Term Memory model was selected due to its widespread use in numerous time series prediction problems and specifically runoff prediction. The Transformer model was chosen because, despite the extensive discussion around its capabilities as a natural language processing model, its use as a time series prediction model is still quite limited. For comparing the above models, the conceptual rainfall-runoff model Zygos was developed, which has been initially developed by the ITIA research team of National Technical University of Athens. The training and application of these models were carried out separately for 164 catchment basins from the CARAVAN dataset. These basins are located in the United States and were selected to cover a wide range of hydrological conditions. The analysis of the final models was performed at the catchment basin level, where the models were trained, calibrated, and tested for the same period of time. The results show that machine learning models can be effectively used as rainfall-runoff models, as they outperform traditional models in performance criteria.	en
heal.advisorName	Χρήστος, Μακρόπουλος	el
heal.committeeMemberName	Χρήστος, Μακρόπουλος	el
heal.committeeMemberName	Ανδρέας, Ευστρατιάδης	el
heal.committeeMemberName	Μιχαήλ, Χονδρός	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false