Az ANFIS mesterséges neurális hálózat lehetséges bemeneti adatainak vizsgálata csapadék-lefolyás modellezés esetén
Open Access
- 1 January 2025
- journal article
- Published by Magyar Hidrológiai Társaság in Hidrológiai Közlöny
- Vol. 105 (1) , 55-63
Abstract
Napjainkban a mesterséges neurális hálózatok használata széleskörűen elterjedt számos tudományterületen, így a hidrológia területén is egyre több kutatás készül az alkalmazhatóságuk vizsgálatára. Csapadék-lefolyás modellezés esetén az egyik legígéretesebb hálózat az úgynevezett adaptív neuro-fuzzy következtető rendszer, avagy az ANFIS (Adaptive Neuro Fuzzy Inference System), melynek előnye, hogy hatékonyan ötvözi mesterséges neurális hálózatok taníthatóságát a fuzzy rendszerek rugalmas szerkezetével. Az ANFIS alkalmassá tehető a nem lineáris környezeti folyamatok modellezésére és a nem lineáris komponensek összefüggéseinek azonosítására, többek között az általunk alkalmazott Takagi-Sugeno típusú rendszer segítségével. Jelen kutatás során kilenc-kilenc eltérő input adatsorral kalibrált ANFIS alapú csapadék-lefolyás modell eredményeit hasonlítottuk össze a Torna-patak és az Arany-patak vízgyűjtőire. A modelleket MATLAB környezetben építettük fel az „anfis” függvény használatával. A vizsgált input adatsorok között szerepelt a csapadék, a megelőző napi vízhozam, a megelőző csapadék index, a hőmérséklet és a potenciális párolgás. A bemeneti adatok előfeldolgozása során megtörtént az adatsorok ellenőrzése, illetve standardizálása. A felépített modellek két csoportra oszthatóak: hat-hat modell esetében figyelembe vettük, további három-három modell esetében elhagytuk a vízhozam adatok bemeneti adatsorként történő felhasználását. A modellek érzékenységvizsgálata alapján a kezdeti kapcsolatok optimális értéke 2, amíg a maximális tanítási körök értékére 500 elegendőnek bizonyult. A mintaterületekre futtatott kilenc-kilenc modell eredményei alapján megállapítható, hogy az ANFIS alapú csapadék-lefolyás modellek megfelelő modellhatékonysággal rendelkeznek a kalibráció során, azonban a modellek teljesítménye a validáció során ettől lényegesen elmarad. A vízhozam adatokat inputként alkalmazó, illetve nem alkalmazó modellek esetén is azon modellek teljesítettek a legjobban, melyek az összes vizsgált input adatsort tartalmazták. Azonban a modellek bizonyos időpillanatokban kiugró értékeket eredményeztek, melyre a lehetséges magyarázat a mesterséges neurális hálózat számítási módszerében vagy szerkezetében keresendő.Keywords
This publication has 13 references indexed in Scilit:
- Cascaded-ANFIS to simulate nonlinear rainfall–runoff relationshipApplied Soft Computing, 2023
- Introductory overview: Error metrics for hydrologic modelling – A review of common practices and an open source library to facilitate use and adoptionEnvironmental Modelling & Software, 2019
- Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learningJournal of Hydrology, 2013
- Influence of lag time on event-based rainfall–runoff modeling using the data driven approachJournal of Hydrology, 2012
- A review of efficiency criteria suitable for evaluating low-flow simulationsJournal of Hydrology, 2012
- A novel application of a neuro-fuzzy computational technique in event-based rainfall–runoff modelingExpert Systems with Applications, 2010
- A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time seriesJournal of Hydrology, 2009
- A neuro-fuzzy computing technique for modeling hydrological time seriesJournal of Hydrology, 2004
- Improving the convergence of the back-propagation algorithmNeural Networks, 1992
- River flow forecasting through conceptual models part I — A discussion of principlesJournal of Hydrology, 1970