NULL
Heutzutage die größte Herausforderung für Stadthydrologen besteht darin, effektive Niederschlag-Abfluss-Modelle zu entwickeln, mit denen die schnelle Reaktion eines urbanisierten Flusseinzugsgebiets vorhergesagt werden kann. Die Verbesserung der ANN-basierten Modellen schafft neue Möglichkeiten für die Entwicklung von Frühwarnverfahren für Sturzfluten in kleinen Einzugsgebieten. Das ist eine wesentliche und notwendige Anforderung zur Verringerung des Hochwasserrisikos in städtischen und ländlichen Einzugsgebieten. Während meines Projekts habe ich versucht, eine der neuesten „deep-learning“ Architekturen – Long-Short-Term-Memory-Netzwerk (LSTM) – zu verstehen, die von Hochreiter und Schmidhuber (1997) eingeführt wurden.Das grundlegende Ziel meiner Forschung war es, den Betrieb von LSTM für deutsche und polnische Einzugsgebiete zu testen und zu vergleichen. Als Eingabedaten wurden der stündliche Abfluss und der Niederschlag verwendet. Die wichtigsten Arbeitsschritte bestanden darin, polnische Daten zu erhalten und angemessen zu modifizieren, ein Skript mit dem LSTM-Modell zu verstehen und zu schreiben, seine Funktionsweise zu verbessern und eine andere ANN-Architektur zu finden. Für bessere Ergebnisse habe ich die Wettervorhersage in das Modell aufgenommen. Dies führte zu einer signifikanten Verbesserung der erhaltenen Strömungsprognose. In der Zwischenzeit bestand die größte Herausforderung für mich darin, Python Programmierung zu lernen und zu verstehen, wie neuronale LSTM-Netzwerke funktionieren und aufgebaut werden. Diese Phase hat für mich die meiste Zeit in Anspruch genommen, aber ich habe in dieser Zeit das meiste Wissen erworben.