Login

Hydrotheek

Record nummer 2281024
Titel artikel Waterstandsverwachtingen met behulp van Machine Learning
Auteur(s) Honingh, D. ; Jong, J. de ; Bloks, B. ; Mondeel, H. ; Douben, K.-J.
Tijdschrifttitel Stromingen : vakblad voor hydrologen
Deel(Jaar)Nummer 25(2019)2
Paginering 43 - 53
Online Embargo op full text. Full text beschikbaar vanaf 2019-11-28
Op papier Haal het document, vind aanverwante informatie of gebruik andere SFX-diensten
Publicatie type Artikel
Taal Nederlands
Toelichting De snelle ontwikkelingen op het gebied van Machine Learning (ML) hebben ervoor gezorgd dat deze data-analysemethode voor steeds meer doeleinden gebruikt wordt en vaak een kostenefficiënt alternatief vormt voor bestaande methodes. Deze studie onderzoekt de meerwaarde van Machine Learning in het operationele waterbeheer. Hiervoor zijn testen uitgevoerd om waterstandreeksen te genereren voor de Bovenmark ten zuiden van Breda, in het beheergebied van Waterschap Brabantse Delta. In het onderzoek zijn vier verschillende Machine Learning algoritmes getest: Autoregressive Integrated Moving Average (ARIMA), Gradient Boosting Regression Trees (GBRT), Long Short-Term Memory (LSTM) en Multi-Layer Perceptron (MLP). De meest nauwkeurige verwachtingen zijn behaald door waterstandsveranderingen te berekenen en deze te transformeren naar momentane waterstanden. Dit bleek beter te werken dan direct de waterstanden te berekenen. De nauwkeurigheid van de berekeningen neemt af als men meerdere dagen vooruit wil voorspellen. De beste resultaten werden behaald met GBRT, welke voor een verwachting van één dag vooruit een gemiddelde verklaarde variantie (R2) van 0,95 had en voor drie dagen vooruit een gemiddelde R2 van 0,80, met een gemiddelde absolute afwijking van 0,006 m.
Betrokken instanties Technische Universiteit Delft
Witteveen+Bos
Waterschap Drents Overijsselse Delta
Waterschap Brabantse Delta
Reacties
Er zijn nog geen reacties. U kunt de eerste schrijven!
Schrijf een reactie

To support researchers to publish their research Open Access, deals have been negotiated with various publishers. Depending on the deal, a discount is provided for the author on the Article Processing Charges that need to be paid by the author to publish an article Open Access. A discount of 100% means that (after approval) the author does not have to pay Article Processing Charges.

For the approval of an Open Access deal for an article, the corresponding author of this article must be affiliated with Wageningen University & Research.