Künstliche neuronale Netze zur Beschreibung der hydrodynamischen Prozesse für den Hochwasserfall unter Berücksichtigung der Niederschlags-Abfluß-Prozesse im Zwischeneinzugsgebiet

Aus den Mängeln bisher verwendeter Modelle zur Abbildung des Wellenablaufes zu Prognosezwecken im Hochwasserfall wird in dieser Arbeit eine Methodik entwickelt, die die Schnelligkeit und Robustheit künstlicher neuronaler Netze mit der Zuverlässigkeit hydrodynamisch-numerischer Modellierung... Ausführliche Beschreibung

1. Verfasser:
Weitere Verfasser: [advisor] ; [referee] ; [referee]
Format: Elektronische Hochschulschrift
veröffentlicht: Dresden : Saechsische Landesbibliothek- Staats- und Universitaetsbibliothek Dresden, 2008.
Schlagworte:
ANN
SOM
RVK-Notation: RB 10363 Angewandte Gewässerkunde
Kein Bild verfügbar
Gespeichert in:
marc
LEADER 05236cam a22006491574500
001 0007758129
007 cr |||||||||||
008 080722s2008 xx ger
041 |a ger 
037 |n urn:nbn:de:bsz:14-ds-1216743181586-50169 
100 |a Ronny Peters  |e author 
700 |a Gerd Schmitz  |e advisor 
700 |a András Bárdossy  |e referee 
700 |a Rudolf Liedl  |e referee 
700 |a Gerd Schmitz  |e referee 
245 |a Künstliche neuronale Netze zur Beschreibung der hydrodynamischen Prozesse für den Hochwasserfall unter Berücksichtigung der Niederschlags-Abfluß-Prozesse im Zwischeneinzugsgebiet 
260 |a Dresden :  |b Saechsische Landesbibliothek- Staats- und Universitaetsbibliothek Dresden,  |c 2008.  |9 (issued 2008-07-22) 
520 3 |a Aus den Mängeln bisher verwendeter Modelle zur Abbildung des Wellenablaufes zu Prognosezwecken im Hochwasserfall wird in dieser Arbeit eine Methodik entwickelt, die die Schnelligkeit und Robustheit künstlicher neuronaler Netze mit der Zuverlässigkeit hydrodynamisch-numerischer Modellierung verbindet. Ein eindimensionales hydrodynamisches Modell beinhaltet die genaue Kenntnis der Geometrie des Flußlaufes und der Vorländer und berücksichtigt die physikalischen Prozesse des Wellenablaufes. Mit diesem deterministischen Modell ist eine Grundlage für umfangreiche Szenarienrechnungen zur Erstellung einer Datenbasis geschaffen, die die weite Spanne theoretisch möglicher Hochwasserereignisse abdeckt. Mit dieser Datenbasis können dann künstliche neuronale Netze trainiert werden, die auch im Bereich extremer Hochwasserereignisse zuverlässige Prognosen liefern. In dieser Arbeit werden mit Multilayer-Feedforward-Netzen und selbstorganisierenden Merkmalskarten zwei Netztypen als Vertreter überwacht und unüberwacht lernender neuronaler Netze auf ihre diesbezügliche Eignung untersucht und beurteilt. Desweiteren wurde die Methodik auf die Einbeziehung von Merkmalen für die Niederschlags-Abfluß-Prozesse im unbeobachteten Zwischengebiet zur Berücksichtigung lateraler Zuflüsse entlang der modellierten Fließstrecken erweitert. Die Datenbasis wurde hierfür mit einem Niederschlags-Abfluß-Modell erstellt. Ein Hauptschwerpunkt liegt in der Überführung der Eingangsdaten in charakteristische Merkmale zur Abbildung der Zielgrößen, in diesem Falle des Durchflusses und Wasserstandes am Zielpegel. So dienen die deterministischen Modelle nicht nur zur Erstellung einer verläßlichen Datenbasis für das Training der Netze, sondern ermöglichen – sowohl für die Niederschlags-Abfluß-Prozesse, als auch für die hydrodynamischen Prozesse – Analysen betreffs der Sensitivität der Modellergebnisse infolge von Änderungen der Inputdaten. Mit Hilfe dieser Analysen werden wichtige Informationen zur Findung der relevanten Merkmale erlangt. Ein Schlüssel für die erfolgreiche Eingliederung der Niederschlags-Abfluß-Prozesse in das Prognosenetz ist die Einführung eines einzigen Zustandsmerkmals, welches die gesamte meteorologische Vorgeschichte des Ereignisses zur Charakterisierung des Gebietszustandes vereinigt. Die entwickelte Methodik wurde anhand des Einzugsgebietes der Freiberger Mulde erfolgreich getestet. 
500 |a doctoralThesis 
856 4 0 |u http://nbn-resolving.de/urn:nbn:de:bsz:14-ds-1216743181586-50169 
856 4 1 |u http://www.qucosa.de/fileadmin/data/qucosa/documents/547/1216743181586-5016.pdf 
650 4 |a künstliche neuronale Netze 
650 4 |a Hochwasser 
650 4 |a Hochwasservorhersage 
650 4 |a hydrodynamische Modellierung 
650 4 |a Vorfeuchte 
650 4 |a ANN 
650 4 |a artificial neural networks 
650 4 |a flashfloods 
650 4 |a flood warning 
650 4 |a SOM 
650 4 |a multilayer networks 
650 4 |a hydrodynamic modelling 
082 0 |a 620 
084 |2 rvk  |a RB 10363  |9 R  |9 RB 10000 - RB 10918  |9 RB 10103 - RB 10850  |9 RB 10177 - RB 10528  |9 RB 10345 - RB 10417  |9 RB 10345 - RB 10366  |9 RB 10351  |9 RB 10363 
936 r v |a RB 10363  |b Angewandte Gewässerkunde  |k Geographie  |k Nicht regional gebundene Darstellungen  |k Allgemeine Geographie  |k Mathematische Geographie und Physiogeographie  |k Hydrogeographie  |k Gewässerkunde (Hydrologie)  |k Teilgebiete und Einzelfragen  |k Angewandte Gewässerkunde 
852 |a DE-14  |z 2018-05-26T07:01:31Z 
852 |a DE-15  |z 2018-05-26T07:01:31Z 
852 |a DE-D161  |z 2018-05-26T07:01:31Z 
852 |a DE-Gla1  |z 2018-05-26T07:01:31Z 
852 |a DE-Ch1  |z 2018-05-26T07:01:31Z 
852 |a DE-D275  |z 2018-02-14T07:41:34Z 
852 |a DE-D117  |z 2017-04-26T17:23:01Z 
852 |a FID-BBI-DE-23  |z 2019-01-21T06:39:16Z 
852 |a DE-Rs1  |z 2018-05-26T07:01:31Z 
852 |a DE-Bn3  |z 2018-05-26T07:01:31Z 
852 |a DE-L242  |z 2017-04-26T13:59:05Z 
852 |a DE-540  |z 2018-01-17T10:59:17Z 
852 |a DE-105  |z 2018-05-26T07:01:31Z 
852 |a DE-Zwi2  |z 2018-05-26T07:01:31Z 
852 |a DE-Pl11  |z 2018-05-26T07:01:31Z 
852 |a DE-Brt1  |z 2018-05-26T07:01:31Z 
852 |a DE-L229  |z 2018-05-26T07:01:31Z 
852 |a DE-Zi4  |z 2018-05-26T07:01:31Z 
852 |a DE-L328  |z 2017-04-26T13:59:05Z 
852 |a DE-D13  |z 2017-04-26T13:59:05Z 
980 |a urn:nbn:de:bsz:14-ds-1216743181586-50169  |b 22  |c 201704261642 
solr