Az ANFIS mesterséges neurális hálózat lehetséges bemeneti adatainak vizsgálata csapadék-lefolyás modellezés esetén
Absztrakt
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.
Hivatkozások
AGROTOPO (2019). https://www.mta-taki.hu/hu/osztalyok/kornyezetinformatikai-osztaly/agrotopo (Letöltve: 2019.10.25.)
Ang, Y., Talei, A., Zahidi, I., Rashidi, A. (2023). Past, Present, and Future of Using Neuro-Fuzzy Systems for Hydrological Modeling and Forecasting. Hydrology. 10. 36. https://doi.org/10.3390/hydrology10020036
Bartoletti, N., Casagli, F., Marsili-Libelli, S., Nardi, A., Palandri, L. (2017). Data-driven rainfall/runoff modelling based on a neuro-fuzzy inference system. Environmental Modelling & Software. https://doi.org/10.1016/j.envsoft.2017.11.026
Chang, T.K., Talei, A., Alaghmand, S., Ooi, M. (2016). Choice of Rainfall Inputs for Event-based Rainfall-Runoff Modeling in a Catchment with Multiple Rainfall Stations Using Data-driven Techniques. Journal of Hydrology. 545. https://doi.org/10.1016/j.jhydrol.2016.12.024
Chang, T.K., Talei, A., Chua, L., Alaghmand, S. (2018). The Impact of Training Data Sequence on the Performance of Neuro-Fuzzy Rainfall-Runoff Models with Online Learning. Water. 11. 52. https://doi.org/10.3390/w11010052
C3S (2019). Copernicus Climate Change Service ERA5-Land reanalysis. Copernicus Climate Change Service, 15/09/2019. https://cds.climate.copernicus.eu/cdsapp#!/home (Letöltve: 2019.09.18.)
CORINE (2019). Land Cover-Copernicus https://land.copernicus.eu/pan-european/corine-land-cover (Letöltve: 2019.10.25.)
Fülöp, I., Józsa, J. (1998). A neurális hálózatok világa. Hidrológiai Közlöny, 78. évfolyam, 4. szám, p. 250.
Jackson, E., Roberts, W., Nelsen, B., Williams, G., Nelson, E., Ames, D. (2019). Introductory overview: Error metrics for hydrologic modelling – A review of common practices and an open source library to facilitate use and adoption. Environmental Modelling & Software. 119. https://doi.org/10.1016/j.envsoft.2019.05.001
Kohler, M.A., Linsley, R.K. (1951). Predicting the runoff from storm rainfall. Weather Bureu Research Papers. Washington.
Kontur, I., Koris, K., Winter, J. (2003). Hidrológiai számítások Lanograf Kft., Gödöllő.
Liptay, Z. (2022). Neurohydrological prediction of water temperature and runoff time series. Acta Hydrologica Slovaca. 23. pp. 190-196. https://doi.org/10.31577/ahs-2022-0023.02.0021.
MATLAB (2024). MATLAB Documentation – anfis. https://www.mathworks.com/help/fuzzy/anfis.html
ODP (2023). Meteorológiai Adattár https://odp.met.hu/ (Letöltve: 2023.09.25.)
Nash, J.E., Sutcliffe, J.V. (1970). River flow forecasting through conceptual models. Part I – A discussion of principles. Journal of Hydrology 10, 282–290. https://doi.org/10.1016/0022-1694(70)90255-6
Nayak, P.C., Sudheer, K.P., Rangan, D.M., Ramasastri, K.S., (2004). A neuro-fuzzy computing technique for modeling hydrological time series. J. Hydrol. 291 (1– 2), pp. 52–66. https://doi.org/10.1016/j.jhydrol.2003.12.010
Pushpalatha, R., Perrin, C., le Moine, N. Andréassian, V. (2012). A review of efficiency criteria suitable for evaluating low-flow simulations. Journal of Hydrology. 420-421, 171-182. https://doi.org/10.1016/j.jhydrol.2011.11.055
Rathnayake, N., Rathnayake, U., Chathuranika, I., Dang, L., Hoshino, Y. (2023). Cascaded-ANFIS to simulate nonlinear rainfall-runoff relationship. Applied Soft Computing. 147. https://doi.org/10.1016/j.asoc.2023.110722
Talei, A., Chua, L. (2012). Influence of lag time on event-based rainfall–runoff modeling using the data driven approach. Journal of Hydrology. s 438–439. pp. 223–233. https://doi.org/10.1016/j.jhydrol.2012.03.027
Talei, A., Chua, L., Quek, C. (2010). A novel application of a neuro-fuzzy computational technique in event-based rainfall–runoff modeling. Expert Systems with Applications. 37. pp. 7456-7468. https://doi.org/10.1016/j.eswa.2010.04.015
Talei, A., Chua, L., Quek, C., Jansson, P. (2013). Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology. 488. 17–32. https://doi.org/10.1016/j.jhydrol.2013.02.022
Tayfur, G., Singh, V., Asce, F. (2006). ANN and Fuzzy Logic Models for Simulating Event-Based Rainfall-Runoff. Journal of Hydraulic Engineering. https://doi.org/10.1061/(ASCE)0733-9429(2006)132:12(1321)
Van Ooyen, A., Nienhuis, B. (1992). Improving the convergence of the backpropagation algorithm. Neural Networks 5 (3), pp. 465–471. https://doi.org/10.1016/0893-6080(92)90008-7
Wang, W., Chau, K., Cheng, C., Qiu, L. (2009). A Comparison of Performance of Several Artificial Intelligence Methods for Forecasting Monthly Discharge Time Series. Journal of Hydrology. 374. pp. 294-306. https://doi.org/10.1016/j.jhydrol.2009.06.019
Copyright (c) 2025 Klaudia Négyesi, Eszter Dóra Nagy

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.