Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Εκτίμηση της χωρικής και χρονικής κατανομής της βροχόπτωσης στην Κρήτη με χρήση νευρωνικών δικτύων

Plessias Georgios

Πλήρης Εγγραφή

---

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.

Διαθέσιμα αρχεία

Υπηρεσίες