Συντάχθηκε 15-12-2021 12:51
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 16/12/2021 14:45
Λήξη: 16/12/2021 15:45
Σχολή ΧΗΜΗΠΕΡ-Παρουσίαση Διπλωματικής
ΤΡΙΜΕΛΗΣ ΕΠΙΤΡΟΠΗ:
Καθηγητής Καρατζάς Γεώργιος (Επιβλέπων Καθηγητής)
Καθηγητής Νικολαΐδης Νικόλαος
Καθηγητής Παρανυχιανάκης Νικόλαος
Ημέρα και ώρα: Πέμπτη 16/12/2021 και ώρα 14:45
Τίτλος Διπλωματικής εργασίας: ΕΚΤΙΜΗΣΗ ΤΗΣ ΧΩΡΙΚΗΣ ΚΑΙ ΧΡΟΝΙΚΗΣ ΚΑΤΑΝΟΜΗΣ ΤΗΣ ΒΡΟΧΟΠΤΩΣΗΣ ΣΤΗΝ ΚΡΗΤΗ ΜΕ ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ.
Περίληψη
Στην παρούσα διπλωματική εργασία εξετάζεται η χρήση και εκπαίδευση τεχνητών νευρωνικών δικτύων, με σκοπό την προσομοίωση της βροχόπτωσης στην ευρύτερη περιοχή της Κρήτης. Η Κρήτη βρίσκεται στο νότιο άκρο του Αιγαίου πελάγους και καλύπτει μια περιοχή 8.336 km², με τους μετεωρολογικούς σταθμούς παρατήρησης να καλύπτουν ολόκληρη την έκταση της.
Τα νευρωνικά δίκτυα χρησιμοποιούνται με στόχο να προσομοιώσουν τα δεδομένα βροχόπτωσης, που έχουν συλλεχθεί από τους μετεωρολογικούς σταθμούς. Αρχικά, απαραίτητη ήταν η επεξεργασία των δεδομένων, καθώς απαιτούνταν η δημιουργία τόσο ενός πίνακα εισόδου, όσο και ενός διανύσματος στόχου στο νευρωνικό δίκτυο. Ο πίνακας εισόδου αποτελούνταν από τις συντεταγμένες των υδρολογικών σταθμών, την ταχύτητα του ανέμου και την ημερομηνία. Το διάνυσμα στόχου περιέχει τις πραγματικές τιμές βροχόπτωσης. Αξίζει να σημειωθεί, ότι τα δεδομένα προήλθαν από 46 υδρολογικούς σταθμούς και αφορούν τη χρονική περίοδο από 1/2/2006 μέχρι και 30/6/2021.
Με την ολοκλήρωση της επεξεργασίας των δεδομένων, ξεκίνησε η εκπαίδευση των νευρωνικών δικτύων με τα εργαλεία Neural Fitting tool (nftool) και Neural Network tool (nntool). Επίσης χρησιμοποιήθηκαν δύο διαφορετικοί αλγόριθμοι εκπαίδευσης, Bayesian-Regularization και Levenberg-Marquardt. Ακολούθως πραγματοποιήθηκε η εκπαίδευση των νευρωνικών δικτύων, διαφοροποιώντας με κάθε επανάληψη τα χρησιμοποιούμενα εργαλεία, τον αριθμό των κόμβων σε κάθε κρυφό επίπεδο ή/και τους αλγόριθμους εκπαίδευσης.
Κατά την διαδικασία εκπαίδευσης των τεχνητών νευρωνικών δικτύων, η προσπάθεια εστιάζεται στην εύρεση του μοντέλου και των παραμέτρων του που προσφέρει τα βέλτιστα αποτελέσματα. Τα κριτήρια επιλογής του μοντέλου περιλαμβάνουν το μέσο τετραγωνικό σφάλμα, τον συντελεστή συσχέτισης και τον συντελεστή αποδοτικότητας Nash –Sutcliffe model efficiency coefficient (NSE). Η εκπαίδευση των τεχνητών νευρωνικών δικτύων συμπεριέλαβε το σύνολο των διαθέσιμων υδρολογικών σταθμών.
Συμπερασματικά, μετά το πέρας της εκπαίδευσης των τεχνητών νευρωνικών δικτύων, επιτεύχθηκε το βέλτιστο αποτέλεσμα με τη χρήση του αλγόριθμου εκπαίδευσης Bayesian Regularization και μέσω της χρήσης του εργαλείου nntool για το σύνολο των μετεωρολογικών σταθμών και των ετών παρατήρησης.
The objective of the current thesis is using and training neural networks, in order to simulate rainfall in the region of Crete. Crete is located at the southernmost tip of the Aegean Sea and covers an area of 8 336 km², with hydrological observation stations covering its entire area.
Neural networks are used to simulate rainfall data collected from hydrological stations. Initially, data processing was necessary, as it required the creation of both an input table and a target vector in the neural network. The input table consisted of the coordinates of the hydrological stations, the wind speed and the date. The target vector contains the actual rainfall values. It is worth noting that the data came from 46 hydrological stations and relate to the period from 1/2/2006 to 30/6/2021.
With the completion of the data processing, the training of the neural networks with the Neural Fitting tool (nftool) and the Neural Network tool (nntool) began. Two different training algorithms were also used Bayesian-Regularization and Levenberg-Marquardt. The training of the neural networks was then carried out, differentiating with each iteration the parameters in terms of the tools used, the hidden nodes and the training algorithms.
During the process of training artificial neural networks, the effort is focused on finding the model and its parameters that offer the best results. Model selection criteria include mean square error, correlation coefficient and Nash – Sutcliffe model efficiency coefficient (NSE). The training of artificial neural networks included all available hydrological stations.
In conclusion, after the completion of the training of artificial neural networks, the best accuracy was achieved by using the Bayesian Regularization training algorithm and by using the Neural Network tool (nntool) to refer to the total number of stations and years of observation.
