is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MEd/MPM/MSc Verkfræðideild (áður Tækni- og verkfræðideild) og íþróttafræðideild -2019 / Department of Engineering (was Dep. of Science and Engineering) >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/36409

Titill: 
  • Titill er á ensku Hydrological modeling : artificial neural networks and parameter calibration
  • Vatnsfræðileg líkön : tauganet og kvörðun stika
Námsstig: 
  • Meistara
Útdráttur: 
  • Vatnsfræðilíkön eru mikilvægir þættir í vatns- og umhverfisauðlindastjórnun. Kvörðun líkana er ein af þeim áskorunum sem vatnsfræðilíkön standa frammi fyrir. Árangursrík kvörðun líkana eykur nákvæmni niðurstaðna þeirra. Í þessari ritgerð eru bornar saman tvær kvörðunaraðferðir Hermihörðnun og Monte Carlo, til að kvarða afrennslislíkanið HBV-light. Vatnasviðið sem notast var við í ritgerðinni var Rhone í Sviss. Tauganetslíkan var smíðað til að líkja eftir rennsli. Niðurstöðurnar voru bornar saman við niðurstöðurnar sem fengnar voru með HBV-light líkaninu. Samanburður á kvörðunaraðferðum sýndi að Monte Carlo aðferðin með 100 bestu keyrslunum skilaði betri niðurstöðum en hermihröðnunar aðferðin. Hermihörðnunar aðferðin sýndi betri árangur þegar 10 bestu keyrslurnar voru notaðar. Hermihörðnunar aðferðin þarf fleiri keyrslur til að veita betri árangur og lægri staðalfrávik. Hermihörðnunar aðferðin var efnileg og frekari vinna væri áhugaverð. Tauganetið skilaði betri árangri miðað við HBV-light líkanið í sumum tilvikum og með minni hlutfallslegri villu. Frekari vinna gæti falið í sér að nota endurkvæmt tauganet til að líkja betur eftir niðurstöðum HBV-light líkansins.

  • Útdráttur er á ensku

    Hydrological models are crucial components in water and environmental resource management. Model calibration is one of the challenges facing hydrological models. Effective model calibration increases the accuracy of the model simulations. This thesis compares two calibration methods Simulated Annealing and Monte Carlo to calibrate the conceptual runoff model HBV-light. The catchment used in this thesis was Rhone in Switzerland. An artificial neural network model was constructed to simulate discharge. The results were compared to the results obtained by the HBV-light model. The comparison of the calibration methods yielded better results when using the Monte Carlo method with the 100 best runs. The Simulated Annealing method showed better results when the 10 best runs were estimated. The Simulated annealing method needs more runs to provide better results and lower standard deviation. The Simulated annealing method showed promise and further work would be interesting. The artificial neural network provided better results compared to the HBV-light model in some instances and with a lower relative error. Further work might include utilizing Recurrent Neural Networks to more effectively replicate the HBV-light model results.

Samþykkt: 
  • 23.6.2020
URI: 
  • http://hdl.handle.net/1946/36409


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Thesis_SiljaStefnisdottir2020.pdf2.39 MBOpinnHeildartextiPDFSkoða/Opna