Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 23/07/2021 14:00
Λήξη: 23/07/2021 15:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ Διπλωματικής
Όνοματεπώνυμο Φοιτητή: Παπαηλίου Ιωάννης
Α.Μ.: 2016050045..
Ημερομηνία Παρουσίασης: 23/7/2021
Ώρα: 14:00.
Αίθουσα: https://tuc-gr.zoom.us/j/82295600247?pwd=TTAyK2hNZlVxai96TkhUa3VlYUZKdz09
Θέμα «Συμπλήρωση Χρονοσειρών Βροχόπτωσης σε Ημερήσια Κλίμακα με Χρήση Συνόλων Τεχνητών Νευρωνικών Δικτύων»
Title «Gap-filling of Daily Rainfall Time Series Using Artificial Neural Network Ensambles »
Επιβλέπων:Καθηγητής Καρατζάς Γεώργιος
Τριμελής Εξεταστική Επιτροπή:
1.Καθηγητής Καρατζάς Γεώργιος
2Καθηγητής Νικολαΐδης Νικόλαος
3Δρ. Τριχάκης Ιωάννης
Περίληψη:
Η συγκεκριμένη διπλωματική εργασία, εξετάζει τη δημιουργία ενός μοντέλου, το οποίο είναι ικανό να προσομοιώσει και να συμπληρώσει με ακρίβεια, πέντε (5) χρονοσειρές δεδομένων βροχόπτωσης, από πέντε (5) μετεωρολογικούς σταθμούς, στην περιοχή των Χανίων, στην Κρήτη. Το μοντέλο δημιουργήθηκε με τη χρήση Τεχνητού Νευρωνικού Δικτύου Πρόσθιας Τροφοδότησης (Feedforward Artificial Neural Network). Το χρονικό διάστημα που μελετάται, είναι από την 01/02/2006 έως και τις 31/12/2020.
Τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks), στην παρούσα εργασία, έχουν ως στόχο τη δημιουργία ενός συγκεντρωτικού πίνακα, ο οποίος θα περιέχει, πλήρως συμπληρωμένες τις χρονοσειρές βροχόπτωσης, των εξεταζόμενων μετεωρολογικών σταθμών, σε ημερήσια κλίμακα. Ο παραπάνω στόχος, επιτυγχάνεται με τη συμπλήρωση τυχόν κενών στα καταγεγραμμένα δεδομένα βροχόπτωσης των σταθμών, καθώς επίσης και με την προσομοίωση αυτών των τιμών, για το χρονικό διάστημα που ο εκάστοτε σταθμός δεν είχε κατασκευαστεί. Οι προαναφερθέντες εξεταζόμενοι μετεωρολογικοί σταθμοί, είναι οι εξής: Αλικιανός, Χανιά, Χανιά (Κέντρο), Πλατανιάς και Σταλός. Τα δεδομένα εισόδου, του μοντέλου, είναι οι καταγεγραμμένες τιμές βροχόπτωσης των πέντε (5) σταθμών, σε ημερήσια κλίμακα, ενώ τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων, είναι τα δεδομένα εισόδου που περιέχουν καταγεγραμμένη τιμή, για κάθε έναν από τους πέντε (5) σταθμούς.
Το μοντέλο, ανάλογα με την περίπτωση της καταγεγραμμένης ημέρας, δημιουργεί ένα σύνολο δέκα χιλιάδων (104) Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Network), για κάθε μία περίπτωση που εξετάζει, με σκοπό να προσομοιώσει με τη μεγαλύτερη δυνατή ακρίβεια, τα δεδομένα βροχόπτωσης που έλειπαν και να συμπληρώσει την εκάστοτε χρονοσειρά. Η εγκυρότητα των αποτελεσμάτων, στοιχειοθετείτε με τον υπολογισμό των συντελεστών συσχέτισης, μεταξύ στόχου (target) και προσομοιωμένης τιμής, με τη θεωρητικά βέλτιστη τιμή του κάθε συντελεστή να είναι το ένα (1), τιμή στην οποία υπάρχει πλήρης ταύτιση μεταξύ των δύο προαναφερθεισών, συγκρίσιμων τιμών. Επιπλέον για κάθε σταθμό, στον οποίο προσομοιώνεται η τιμή βροχόπτωσης του, υπολογίζεται η τιμή του συντελεστή Nash - Sutcliffe, ο οποίος μπορεί να πάρει τιμές από πλην άπειρο έως ένα (–∞ έως 1), βάσει του οποίου προσδιορίζεται η εγκυρότητα του μοντέλου, με την τιμή ένα (1) να υποδηλώνει πλήρη ταύτιση ανάμεσα στις προσομοιωμένες τιμές που δίνονται από το μοντέλο και σε αυτές που παρατηρούνται από τους σταθμούς. Τέλος, εξάγεται από τα αποτελέσματα του μοντέλου, το Μέσο Απόλυτο Σφάλμα για τα δεδομένα Δοκιμής (Test) του μοντέλου (RMSE), σε κάθε μία από τις περιπτώσεις (cases) που εξετάζονται.
Βάσει όλων των παραπάνω, τα τελικά αποτελέσματα του μοντέλου, θεωρούνται ακριβή και αξιοποιήσιμα, καθώς σε όλες τις περιπτώσεις, οι παραπάνω δείκτες είναι πολύ κοντά στη μονάδα και τα σφάλματα σχετικά μικρά, αναλογικά με τις τιμές που αναφέρονται. Ο καλύτερος δείκτης εγκυρότητας των αποτελεσμάτων του μοντέλου, είναι το Μέσο Απόλυτο Σφάλμα για τα δεδομένα Δοκιμής (Test) του μοντέλου (RMSE), σε κάθε μία από τις περιπτώσεις (cases), καθώς τα δεδομένα αυτά δεν χρησιμοποιούνται κατά τη διάρκεια της Εκπαίδευσης (Training), ούτε της Εγκυρότητας (Validation). Επίσης, σημαντικό δείκτη, αποτελούν οι υπολογισμένοι συντελεστές συσχέτισης, μεταξύ στόχου (target) και προσομοιωμένης τιμής, για τα δεδομένα Δοκιμής (Test) του μοντέλου.
Abstract:
(Αγγλικά)
This thesis examines the development of a model, which is able to simulate and complete accurately five (5) time series of rainfall data from five (5) meteorological stations in the region of Chania, Crete. The model was created using a Feedforward Artificial Neural Network. The time period studied is from 01/02/2006 to 31/12/2020.
The Artificial Neural Networks (Artificial Neural Network), in this work, aim to create an aggregated table, which will contain, fully populated, the rainfall time series of the studied weather stations, on a daily scale. The above objective is achieved by filling in any gaps in the recorded rainfall data of the stations, as well as by simulating these values for the period of time when the station in question was not constructed. The aforementioned meteorological stations under consideration are the following: Alikianos, Chania, Chania (Centre), Platanias and Stalos. The input data, of the model, are the recorded rainfall values of the five (5) stations, on a daily scale, while the data used for the training of the Artificial Neural Networks, are the input data containing recorded values, for each of the five (5) stations.
The model, depending on the case of the recorded day, creates a set of ten thousand (104) Artificial Neural Networks for each case it examines, in order to simulate with the greatest possible accuracy the missing rainfall data and complete the time series. The validity of the results is verified by calculating the correlation coefficients between the target and the simulated value, with the theoretically optimal value of each coefficient being one (1), a value at which there is complete agreement between the two comparable values mentioned above. In addition, for each station, at which its rainfall value is simulated, the value of the Nash - Sutcliffe coefficient is calculated, which can take values from near infinity to one (-∞ to 1), on the basis of which the validity of the model is determined, with a value of one (1) indicating complete agreement between the simulated values given by the model and those observed by the stations. Finally, the model results are used to derive the mean Root Mean Square Error for the model Test data (RMSE) in each of the cases considered.
Based on all the above, the final results of the model are considered accurate and usable, as in all cases, the above indicators are very close to unity and the errors are relatively small, in proportion to the values reported. The best indicator of validity of the model results, is the Root Mean Square Error for the model's Test data (RMSE), in each of the cases, as these data are not used during Training, nor Validation. Also, an important indicator is the calculated correlation coefficients between target and simulated value for the model Test data
