Kalibrace předpovědi srážek pro hydrologické modelování s využitím neuronových sítí

0564775 - ÚFA 2023 CZ cze A - Abstract
Vokoun, Martin - Hanel, M. - Zacharov, Petr, jr. - Vlasák, T. - Moravec, V.
Kalibrace předpovědi srážek pro hydrologické modelování s využitím neuronových sítí.
[Calibration of rainfall simulation in hydrological modelling using artificial neural networks.]
Sborník abstraktů z Výroční konference České meteorologické společnosti 2022. Praha: ČMeS, 2022 - (Lipina, P.). s. 23. ISBN 978-80-7653-036-2.
[Meteorologické aspekty minulých i budoucích povodní – výročí velkých povodní – 20 let v Čechách, 25 let na Moravě a 150 let na Berounce. 20.09.2022-22.09.2022, Telč]
Institutional support: RVO:68378289
Keywords : numerical weather prediction * atmospheric rainfall prediction * neural network
OECD category: Meteorology and atmospheric sciences
http://www.cmes.cz/sites/default/files/Telc_sborn%C3%ADk%20abstrakt%C5%AF_2022.pdf

Předpověď srážek je významným zdrojem nejistoty pro hydrologické modelování. Z tohoto důvodu existuje řada
postprocessingových a kalibračních metod, které mají za cíl zpřesnění předpovědi a odstranění systematických chyb.
Cílem této práce je otestování kombinace tří odlišných postprocessingových metod a vyhodnocení jejich přínosu na
přesnost predikce srážek pro hydrologické modelování na třech vybraných povodí v ČR. Pro účely práce byly použity
predikce srážek z let 2012-2018 z deterministického modelu ALADIN-CZ (Aire Limitée, Adaptation Dynamique,
Development International) a ensemblových modelů ALADIN-LAEF (Limited Area Ensemble Forecasting) a COSMOLEPS (Consortium for Small-scale MOdeling - Limited-area Ensemble Prediction System). Jako první ze tří kalibračních
kroků byla vypočítána kvantilová předpověď pomocí BMA (Bayesian Model Averaging) metody (Sloughter 2007). Ta
byla využita ve druhém kroku při sestavování ensemblových multimodelů společně v kombinacích s výše uvedenými
ensemblovými modely a modelem ALADIN-CZ. V posledním kroku byla část predikcí sestavených multimodelů
společně s měřenými srážkami vyčleněna jako učící soubor pro neuronovou síť. Zbývající část predikcí posloužila jako
validační soubor. Výstupem neuronové sítě byla deterministická předpověď srážek pro každý ensemblový multimodel.
Tento výstup byl porovnán s výstupy nekalibrovaných predikcí modelu ALADIN-CZ, který se používá jako primární
zdroj pro hydrologické modely v Českém hydrometeorologickém ústavu (ČHMÚ) (ČHMÚ 2020). Nejvyšší přesnosti
dosáhl kalibrovaný výstup neuronové sítě, který počítal s daty multimodelu sestaveného z modelu ALADIN-CZ
a kvantilové předpovědi BMA.
V rámci práce byl otestován také přímý výpočet průtoku pomocí neuronové sítě. Vstupem pro učení nebyl v tomto případě
vztah predikovaná srážka – měřená srážka, nýbrž predikovaná srážka – měřený průtok. Výsledky byly srovnány
s hydrologickými předpověďmi a přinesly uspokojivé výsledky, které jsou motivací pro další práci na tomto tématu.

The aim of this thesis is to test the combination of three different postprocessing methods and evaluate their contribution to accuracy of precipitation prediction for hydrological modelling in three selected river basins in the Czech Republic.
Permanent Link: https://hdl.handle.net/11104/0336373