Hydroinformatik I - WiSe 2018/2019 [1.0ex] V13: Künstliche ... · V13: K unstliche Neuronale Netze 18.01.2019 Hydrologische Modelle De nition "Die deterministischen Modelle werden

V13: Kunstliche Neuronale Netze 18.01.2019

Hydroinformatik I - WiSe 2018/2019

V13: Kunstliche Neuronale Netze

Prof. Dr.-Ing. habil. Olaf Kolditz

1Helmholtz Centre for Environmental Research – UFZ, Leipzig

2Technische Universitat Dresden – TUD, Dresden

3Center for Advanced Water Research – CAWR

Dresden, 18.01.2019

1/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019


Ubersicht

1. Hydrologische Modelle: Definition

2. Kunstliche Neuronale Netzwerke (ANN)

3. Kunstliche Neuronale Netzwerke in der Hydrologie

4. Mesoskalige Hydrologische Modellierung (mHM)

5. Anwendungen



Modell-Begriff



Hydrologische ModelleDefinition

”Hydrologisches Modell: Vereinfachte Beschreibung der in einemhydrologischen System ablaufenden physikalischen, chemischen undbiologischen Prozesse (hydrologischer Prozeß) oder Teilprozessemit Hilfe mathematischer Gleichungen. Diese werden zeitlich undraumlich so miteinander verknupft, wie sie in der Natur ablaufen.”

Source: http://www.spektrum.de/lexikon/geowissenschaften/hydrologisches-modell/7239


http://www.spektrum.de/lexikon/geowissenschaften/hydrologisches-modell/7239



I ”Je nach Berucksichtigung des zeitlichen Verhaltens wirdzwischen stationaren und instationaren Modellenunterschieden.

I Weitere Unterscheidungen erfolgen nach denLosungsverfahren der mathematischen Gleichungen inanalytische und numerische Modelle,

I nach Berucksichtigung zufallsbedingter Systemanderungen instochastische und deterministische Modelle,

I nach der Abhangigkeit der Modellparameter vom momentanenSystemzustand in lineare und nichtlineare Modelle.”






”Die deterministischen Modelle werden in drei Hauptgruppenunterteilt, wobei der Grad der Kausalitat in Form derUrsachen-Wirkungs-Beziehung Beachtung findet:

1. physikalische Modelle (White-Box-Modelle), die auf denGrundgesetzen der Physik, insbesondere der Hydro- undThermodynamik, der Chemie und der Biologie beruhen,

2. konzeptionelle Modelle (Grey-Box-Modelle), die sich auf diephysikalischen Gesetze in vereinfachter Naherung stutzen undein gewisses Maß an Empirie enthalten und

3. Modelle der Black-Box, die unter Vernachlassigung derphysikalischen Grundgesetze nurUrsachen-Wirkungsbeziehungen zwischen den Systemein- undSystemausgaben betrachten.”





Kunstliche Neuronale Netzwerke

ANN



Kunstliche Neuronale NetzwerkeDefinition

”Kunstliche neuronale Netze, auch kunstliche neuronaleNetzwerke, kurz: KNN (engl. artificial neural network, ANN), sindNetze aus kunstlichen Neuronen. Sie sind Forschungsgegenstandder Neuroinformatik und stellen einen Zweig der kunstlichenIntelligenz dar. Die kunstlichen neuronalen Netze haben, ebensowie kunstliche Neuronen, ein biologisches Vorbild. Man stellt sieden naturlichen neuronalen Netzen gegenuber, welcheNervenzellvernetzungen im Gehirn und im Ruckenmark bilden.Doch geht es mehr um eine Abstraktion (Modellbildung) vonInformationsverarbeitung und weniger um das Nachbildenbiologischer neuronaler Netze, was eher Gegenstand derComputational Neuroscience ist.”

Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\

font\U@Du\egroupnstliches_neuronales_Netz


https://de.wikipedia.org/wiki/K\protect \unhbox \voidb@x \bgroup \U@D 1ex\setbox \z@ \hbox \char 127\dimen@ -.45ex\advance \dimen@ \ht \z@ \fontdimen 5\font \dimen@ \accent 127\fontdimen 5\font \U@D u\egroup nstliches_neuronales_Netz





In kunstlichen neuronalen Netzen bezeichnet die Topologie dieStruktur des Netzes. Damit ist im Allgemeinen gemeint, wie vielekunstliche Neuronen sich auf wie vielen Schichten befinden, undwie diese miteinander verbunden sind. Kunstliche Neuronen konnenauf vielfaltige Weise zu einem kunstlichen neuronalen Netzverbunden werden. Dabei werden Neuronen bei vielen Modellen inhintereinander liegenden Schichten (englisch layers) angeordnet;bei einem Netz mit nur einer trainierbaren Neuronenschicht sprichtman von einem einschichtigen Netz.

Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\








Unter Verwendung eines Graphenkonnen die Neuronen als Knoten undihre Verbindungen als Kanten dargestelltwerden. Die Eingaben werdengelegentlich auch als Knoten dargestellt.

Die hinterste Schicht des Netzes, deren Neuronenausgaben meistals einzige außerhalb des Netzes sichtbar sind, wird Ausgabeschicht(engl. output layer) genannt. Davorliegende Schichten werdenentsprechend als verdeckte Schicht (engl. hidden layer) bezeichnet.Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\








Source: https://www.lfi.rwth-aachen.de/index.php?page=kunstl-neuronale-netze


https://www.lfi.rwth-aachen.de/index.php?page=kunstl-neuronale-netze



Abb. 11 zeigt ein typisches, aus drei Schichten bestehendes KNN(eine Eingangsschicht, eine versteckte Schicht und eineAusgangsschicht). Jedes Neuron des Netzes verarbeitet dieankommenden Eingaben zu einer Ausgabe. Diese Ausgabe wirddann mit anderen Neuronen verknupft. Die Informationen gelangenuber die Eingangsschicht in das Netz hinein. Alle Schichten desNetzes verarbeiten diese Signale, bis sie die Ausgangsschichterreichen. Bei der Entwicklung von Neuronalen Netzen werden zweiHauptphasen betrachtet:





Kunstliche Neuronale NetzwerkeBeispiel

Source: Vorlesung 12.01.2018




Lernphase Diese Phase umfasst den Prozess, bei dem dem Netzmit Hilfe von Trainingsets (z.B. historische Daten)und Trainingsalgorithmen eine gewunschteVerhaltensweise beigebracht wird.

Arbeitsphase Nach dem Lernprozess ist das KNN bereit, in dieArbeitsphase einzutreten. Das Netz gibtAusgangswerte aus, die denen im Beispieldatensatzahneln, wenn die Eingangswerte zu denen einesTrainingsbeispiels passen.





Kunstliche Neuronale NetzwerkeHydrologie

Ronny Peters

KUNSTLICHE NEURONALE NETZE ZUR BESCHREIBUNGDER HYDRODYNAMISCHEN PROZESSE FUR DENHOCHWASSERFALL UNTER BERUCKSICHTIGUNG DERNIEDERSCHLAGS-ABFLUSS-PROZESSE IMZWISCHENEINZUGSGEBIET

Dresden, Juli 2008

Source:https://www.baufachinformation.de/dissertation/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@

\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\

font\U@Du\egroupnstliche-neuronale-Netze-zur-Beschreibung-der-hydrodynamischen-Prozess


https://www.baufachinformation.de/dissertation/K\protect \unhbox \voidb@x \bgroup \U@D 1ex\setbox \z@ \hbox \char 127\dimen@ -.45ex\advance \dimen@ \ht \z@ \fontdimen 5\font \dimen@ \accent 127\fontdimen 5\font \U@D u\egroup nstliche-neuronale-Netze-zur-Beschreibung-der-hydrodynamischen-Prozess




Kunstliche Neuronale NetzwerkeHydrologie

Abbildung: Aus dem Defizit an Trainingsdaten abgeleitete allgemeineMethodik

Source: Peters,2008


Peters, 2008


Kunstliche Neuronale NetzwerkeHydrologie (Peters, 2008)

Abbildung: Freiberger Mulde: Hohen und Gefalle im Untersuchungsgebiet



Kunstliche Neuronale NetzwerkeHydrologie (Peters, 2008)

Abbildung: Darstellung einzelner Szenarien fur Durchfluß undWasserstand18/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019


Kunstliche Neuronale NetzwerkeHydrologie - Anwendungen - Hochwasservorhersage

Nutzung kunstlicher neuronaler Netze zur Bereitstellung vonEntscheidungsgrundlagen fur operative und planerischewasserwirtschaftliche Maßnahmen

Eine neue Methodik, die zuverlassigeHochwasservorhersagemodelle auf dem aktuellsten Wissensstandeiner Echtzeitanwendung fur den operativen Einsatz zuganglichmacht, wird entwickelt, getestet und angewendet. Sie basiert aufdetaillierter Niederschlags-Abfluss-Modellierung in Kopplung mithydrodynamischen Wellenablaufmodellen. Diese Modelle werdendann durch ein neuronales Netz ”gekoppelt”, mit welchem dieHochwasservorhersage gestellt werden kann.

BMBF Projekt (2012-2016), Lehrstuhl fur Hydrologie undMeteorologie, TU Dresden, Michael WagnerSource:https://tu-dresden.de/bu/umwelt/hydro/ihm/hydrologie/forschung/projekte/hochwasservorhersage-ann


https://tu-dresden.de/bu/umwelt/hydro/ihm/hydrologie/forschung/projekte/hochwasservorhersage-ann


mesoskalige HydrologischeModellierung

mHM



Hydrologische ModellemHM

Abbildung: Landsurface Hydrology - das Modell mHM

Source: Rakovec, O., Kumar, R., Mai, J., Cuntz, M., Thober, S., Zink, M., Attinger, S., Schafer, D., Schron, M.,Samaniego, L., 2016. Multiscale and Multivariate Evaluation of Water Fluxes and States over European RiverBasins. J. Hydrometeor 17, 287–307. doi:10.1175/jhm-d-15-0054.1




Abbildung: Landsurface Hydrology - das Modell mHM22/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019



Abbildung: Mehrskalen-Verification mHM




Abbildung: Mehrskalen-Verifikation mHM in der Pan-EU



Fragen ?



Hydrologische ModelleFragen

1. Zu welchem hydrologischen Modelltyp gehoren die kunstlichenneuronalen Netzwerke?

2. Was ist der englische Begriff fur ”Kunstliche NeuronaleNetzwerke”?

3. Skizzieren sie ein ANN-Konzept fur eineHochwasservorhersage. Benennen sie Einflussfaktoren furverschiedene Layer des ANN (d.h. die Kette vonAbhangigkeiten).

4. ...


Documents

Hydroinformatik I - WiSe 2018/2019 [1.0ex] V13: Künstliche ... · V13: K unstliche Neuronale Netze 18.01.2019 Hydrologische Modelle De nition "Die deterministischen Modelle werden