
Stochastic process-based modelling for hydrological systems
Author(s) -
Γεωργία Παπαχαραλάμπους
Publication year - 2021
Language(s) - Uncategorized
Resource type - Dissertations/theses
DOI - 10.12681/eadd/48465
Subject(s) - process (computing) , computer science , programming language
Η παρούσα διδακτορική διατριβή εμπίμπτει στους επιστημονικούς κλάδους της στοχαστικής υδρολογίας, της υδρολογικής μοντελοποίησης και της υδροπληροφορικής. Συνεισφέρει με νέες πρακτικές λύσεις, νέες μεθοδολογίες και αποτελέσματα μεγάλης κλίμακας στην μοντελοποιήση υδρολογικών διεργασιών, συγκεκριμένα στην επίλυση δύο στενά συνυφασμένων τεχνικών προβλημάτων με έμφαση στο δεύτερο. Τα προβλήματα αυτά είναι: (A) η πρόβλεψη της μελλοντικής συμπεριφοράς υδρολογικών διεργασιών χρησιμοποιώντας αποκλειστικά ενδογενείς μεταβλητές πρόβλεψης (στο εξής αναφερόμενη ως «πρόβλεψη υδρολογικών χρονοσειρών»), και (B) η στοχαστική μοντελοποίηση υδρολογικών συστημάτων μέσω πιθανοτικής μετεπεξεργασίας αποτελεσμάτων διεργασιακής υδρολογικής μοντελοποιήσης (στο εξής αναφερόμενη ως «πιθανοτική μετεπεξεργασία αποτελεσμάτων υδρολογικής μοντελοποίησης»). Για τη διερεύνηση των εν λόγω τεχνικών προβλημάτων, αναπτύσσεται και αξιοποιείται εργαλειοθήκη πρότυπης μοντελοποίησης και συγκριτικής αξιολόγησης αποτελούμενη από: (i) περίπου 6,000 υδρολογικές χρονοσειρές προερχόμενες από μεγαλύτερες ελεύθερα διατιθέμενες βάσεις δεδομένων, (ii) περισσότερα από 45 αυτοματοποιημένα μοντέλα και αλγορίθμους (διαθέσιμα σε ανοιχτό λογισμικό), τα οποία κατά κύριο λόγο προέρχονται από τις τέσσερις μεγάλες οικογένειες των στοχαστικών μοντέλων, των μοντέλων παλινδρόμησης (συμπεριλαμβανομένων μοντέλων μηχανικής μάθησης), των μοντέλων παλινδρόμησης ποσοστημορίου (συμπεριλαμβανομένων μοντέλων μηχανικής μάθησης) και των διεργασιακών υδρολογικών μοντέλων, (iii) επτά ευέλικτες μεθοδολογίες, οι οποίες μαζί με τα διαθέσιμα σε ανοιχτό λογισμικό αυτοματοποιημένα μοντέλα και αλγορίθμους (βλ. σημείο (ii) παραπάνω) συνιστούν τη βάση των διενεργούμενων μοντελοποιήσεων, και (iv) περίπου 30 μέτρα για την αξιολόγηση της ποιότητας των διενεργούμενων μοντελοποιήσεων. Νέοι συνδυασμοί μοντέλων και αλγορίθμων, συνοδευόμενοι από διαφορετικές αλγοριθμικές επιλογές παραμέτρων, οδηγούν σε πολυάριθμες παραλλαγές μοντέλων, πολλές από τις οποίες μπορούν να θεωρηθούν ως νέες μέθοδοι. Όλα τα χρησιμοποιούμενα μοντέλα (τόσο τα ήδη διαθέσιμα σε ανοιχτό λογισμικό όσο και τα αυτοματοποιημένα στο πλαίσιο της διατριβής) είναι ευέλικτα, υπολογιστικά εύχρηστα και γρήγορα στην εφαρμογή. Κατά συνέπεια, είναι κατάλληλα για διερευνήσεις μεγάλης κλίμακας, ακόμη και για διερευνήσεις παγκόσμιας κλίμακας. Τέτοιες διερευνήσεις επιβάλλονται από τον (κυρίως) αλγοριθμικό χαρακτήρα των μεθοδολογιών της διατριβής. Παρά τον συγκεκριμένο χαρακτήρα, η διατριβή παρέχει επίσης καινοτόμα θεωρητικά συμπληρώματα στην πρακτική και μεθοδολογική της συμβολή. Η διερεύνηση του τεχνικού προβλήματος (Α) γίνεται σε τέσσερα στάδια. Κατά το πρώτο στάδιο εισάγεται ένα νέο μεθοδολογικό πλαίσιο για την αξιολόγηση τεχνικών πρόγνωσης στην υδρολογία. Όντας σύμφωνο με τις αρχές που θα πρέπει να διέπουν την πρόβλεψη χρονοσειρών και σε αντίθεση με την υπάρχουσα βιβλιογραφία της πρόβλεψης υδρολογικών (και γενικότερα γεωφυσικών) χρονοσειρών (στην οποία η αξιολόγηση μεθόδων συνήθως βασίζεται στη διενέργεια μελετών περίπτωσης), το προτεινόμενο πλαίσιο ενσωματώνει συγκριτική αξιολόγηση μεθοδολογιών μεγάλης κλίμακας. Η τελευταία βασίζεται σε μεγάλα σύνολα υδρολογικών δεδομένων, στην πρακτική της στοχαστικής προσομοίωσης χρονοσειρών μεγάλης κλίμακας χρησιμοποιώντας στάσιμα κλασσικά στοχαστικά μοντέλα, σε έναν μεγάλο αριθμό πλήρως αυτοματοποιημένων μοντέλων και αλγόριθμων πρόβλεψης (συμπεριλαμβανομένων μοντέλων αναφοράς) και σε έναν ικανό αριθμό μέτρων για την ποσοτικοποίηση της ποιότητας των προβλέψεων. Το νέο μεθοδολογικό πλαίσιο αξιοποιείται (χρησιμοποιώντας τμήμα της εργαλειοθήκης της διατριβής) για την παροχή αποτελεσμάτων μεγάλης κλίμακας, καθώς και χρήσιμης κατανόησης σχετικά με τη σύγκριση των στοχαστικών μεθόδων και των μεθόδων μηχανικής μάθησης στην πρόβλεψη υδρολογικών διεργασιών σε μεγάλες χρονικές κλίμακες (π.χ., την ετήσια και την μηνιαία), με έμφαση στις ετήσιες διεργασίες απορροής ποταμών. Οι σχετικές διερευνήσεις γίνονται για προβλέψεις πολλαπλών βημάτων. Κατά το δεύτερο στάδιο της διερεύνησης του τεχνικού προβλήματος (Α) επεκτείνεται το μεθοδολογικό πλαίσιο του πρώτου σταδίου για διερευνήσεις σχετικές με την πρόβλεψη ενός βήματος μπροστά των ετήσιων γεωφυσικών χρονοσειρών. Έμφαση δίνεται στην μελέτη δύο συνόλων δεδομένων πραγματικού κόσμου, ενός συνόλου δεδομένων ετήσιας κατακρήμνισης και ενός συνόλου δεδομένων ετήσιας θερμοκρασίας. Τα συγκεκριμένα σύνολα δεδομένων εξετάζονται τόσο στην αρχική όσο και στην τυποποιημένη μορφή τους με κύριο στόχο την ανάδειξη των ακριβέστερων μεθόδων για πρακτικές εφαρμογές πρόβλεψης ενός βήματος μπροστά, και δευτερεύοντα στόχο την παροχή αρχικών σημείων αναφοράς για την προβλεψιμότητα της ετήσιας κατακρήμνισης και της ετήσιας θερμοκρασίας. Το τρίτο στάδιο της διερεύνησης του τεχνικού προβλήματος (Α) περιλαμβάνει τόσο την μελέτη-ποσοτικοποίηση της προβλεψιμότητας της μηνιαίας θερμοκρασίας και της μηνιαίας κατακρήμνισης σε παγκόσμια κλίμακα, όσο και τη σύγκριση ενός μεγάλου αριθμού πλήρως αυτοματοποιημένων (κυρίως στοχαστικών) μεθόδων πρόβλεψης κατάλληλων για εποχιακές γεωφυσικές διεργασίες. Οι διερευνήσεις πραγματοποιούνται για προβλέψεις πολλαπλών βημάτων χρησιμοποιώντας το μεγαλύτερο συνόλο δεδομένων πραγματικού κόσμου που έχει χρησιμοποιηθεί μέχρι σήμερα στον χώρο της πρόβλεψης υδρολογικών χρονοσειρών. Με το τέταρτο (και τελευταίο) στάδιο της διερεύνησης του τεχνικού προβλήματος (Α) εισάγεται η διεξαγωγή εκτεταμένων μελετών πολλαπλών περιπτώσεων ως μία καινοτόμος στρατηγική στον χώρο της πρόβλεψης γεωφυσικών χρονοσειρών. Με κύριο στόχο τη διερεύνηση τριών επιμέρους προβλημάτων που αφορούν την πρόβλεψη των συγκεκριμένων χρονοσειρών χρήσει αλγορίθμων μηχανικής μάθησης, πραγματοποιείται μια μελέτη πολλαπλών περιπτώσεων, αποτελούμενη από έναν ικανό αριθµό µελετών περιπτώσεων. Οι τελευταίες αφορούν μηνιαίες χρονοσειρές θερμοκρασίας και κατακρήμνισης παρατηρημένες στην Ελλάδα. Τα υπό μελέτη επιμέρους προβλήματα είναι η επιλογή μεταβλητών πρόβλεψης, η επιλογή των υπερπαραμέτρων, και η σύγκριση μεθόδων μηχανικής μάθησης και στοχαστικών μεθόδων. Η διερεύνηση του τεχνικού προβλήματος (Β) γίνεται σε τρία στάδια. Κατά το πρώτο στάδιο αναπτύσσεται μια νέα μεθοδολογία πιθανοτικής μετεπεξεργασίας αποτελεσμάτων υδρολογικής μοντελοποίησης, χρησιμοποιώντας ως σημείο εκκίνησης ένα θεωρητικά συνεπές γενικό σχήμα πιθανοτικής υδρολογικής μοντελοποίησης δύο σταδίων. Επίσης, διεξάγονται διερευνήσεις πρότυπης μοντελοποίησης, οι οποίες καταδεικνύουν τη χρησιμότητα της προτεινόμενης μεθοδολογίας και δείχνουν πώς η κατανόηση μας για το μοντελοποιούμενο σύστημα μπορεί να μας οδηγήσει στην επίτευξη βελτιωμένης προγνωστικής μοντελοποίησης. Κατά το δεύτερο στάδιο της διερεύνησης του τεχνικού προβλήματος (Β), μελετάται σε ένα μεγάλο σύνολο πραγματικών προβλημάτων και σε μηνιαία χρονική κλίμακα η μεθοδολογία πιθανοτικής μετεπεξεργασίας αποτελεσμάτων υδρολογικής μοντελοποίησης που αναπτύσσεται στο προηγούμενο στάδιο. Με τις πραγματοποιούμενες διερευνήσεις αποδεικνύεται εμπειρικά η μεγαλύτερη ευρωστία της εν λόγω μεθοδολογίας σε σχέση με τις επιμέρους προβλέψεις που συνδυάζονται από αυτήν και, κατ 'επέκταση, σε σχέση με βασικές μεθοδολογίες πιθανοτικής μετεπεξεργασίας αποτελεσμάτων υδρολογικής μοντελοποίησης δύο σταδίων. Επίσης, αποδεικνύεται η ικανότητα της μεθοδολογίας να αξιοποιεί τη σοφία του πλήθους. Τέλος, κατά το τρίτο στάδιο της διερεύνησης του τεχνικού προβλήματος (Β) εισάγεται ο μεγαλύτερος αριθμός πιθανοτικών μεθόδων υδρολογικής μοντελοποίησης που έχουν μέχρι στιγμής εισαχθεί σε μια εργασία, και επιπρόσθετα διεξάγεται σε ημερήσια χρονική κλίμακα το μεγαλύτερο πείραμα συγκριτικής αξιολόγησης που έχει διεξαχθεί μέχρι στιγμής στον χώρο της πιθανοτικής μετεπεξεργασίας αποτελεσμάτων υδρολογικής μοντελοποίησης. Επιπρόσθετα, αξιολογούνται θεωρητικές και ποιοτικές πτυχές του επιλυόμενου προβλήματος και της χρήσης των επιλεγμένων αλγορίθμων υπό το πρίσμα της ακόλουθης ερευνητικής ερώτησης: Γιατί και πώς να συνδυάσει κανείς διεργασιακά μοντέλα και αλγορίθμους μηχανικής μάθησης για πιθανοτική υδρολογική μοντελοποίηση;