Betreuer| Name: | Univ.Prof. Dipl.Geoökol. Dr.rer.nat. Karsten Schulz |
| Herkunftsbetrieb: | |
| 1.Beurteilende*r |
| Name: | Priv.-Doz. Dr. Peter Sykacek |
| Herkunftsbetrieb: | |
| 2.Beurteilende*r |
| Name: | Dipl.-Ing. Dr. Markus Hrachowitz |
| Herkunftsbetrieb: | |
| 1. Berater |
| Name: | Dipl.-Ing. Dr.nat.techn. Mathew Herrnegger |
| Herkunftsbetrieb: | |
| 2. Berater |
| Name: | Priv.-Doz. Dr. Peter Sykacek |
| Herkunftsbetrieb: | |
| Arbeit |
| Typ der Arbeit: | Dissertation |
| Sprache der Arbeit: | Deutsch |
| Titel der Arbeit in Originalsprache: | Machine Learning in Hydrological Modeling |
| Titel der Arbeit in deutsch: | Machine Learning in der hydrologischen Modellierung |
| Titel der Arbeit in englisch: | Machine Learning in Hydrological Modeling |
| Publikationsmonat: | 05.2022 |
| Seitenanzahl: | 211 |
| Volltext |
| Volltext der Arbeit: | Volltext der Arbeit im PDF-Format laden |
| Online-Katalog der Universitätsbibliothek Bodenkultur |
| AC-Nummer: | AC16567398 |
| Abstract |
| Abstract in Deutsch: | Hydrological models are important tools for a wide range of applications and problems, including flood and drought forecasting, and water management, and can have a tremendous impact on society. Currently, there is a rapid development of machine learning (ML) methods and a corresponding rise in applications of ML tools for hydrological modeling. Motivated by specific hydrological modeling problems and the large potential of a wider spectrum of ML applications for hydrological modeling, this thesis focuses on developing and examining ML approaches for a range of modeling tasks. The corresponding projects resulted in four publications, which represent the largest part of this thesis. Furthermore, this thesis classifies and reviews ML applications in hydrological modeling and provides a concise illustration of the current status and researched topics in this field.
The first publication assesses different ML methods for stream water temperature prediction and provides improved modeling approaches while showing the influence of model types, data inputs, and hyperparameter tuning on prediction performance. The second publication introduces a methodology for automatic estimation of parameter transfer functions for distributed models - the Function Space Optimization (FSO) method - and evaluates it using a synthetic modeling setup. In the third publication the FSO method is evaluated in a large-scale application with a complex distributed hydrological model. It shows that FSO produces transfer functions that perform equally well as the benchmark functions that were developed during previous years of research. The fourth publication describes the development of ML methods and a workflow for analyzing process-based model errors and thus provides evidence for issues related to the process representations of the model. It is the first study to combine an ML error model with explainable AI (XAI) methods to gain insight into process representations of process-based models.
|
| Abstract in Englisch: | Hydrologische Modelle sind wichtige Werkzeuge für eine Vielzahl von Anwendungen, z.B. im Bereich der Hochwasser- und Niederwasservorhersagen, und können einen enormen Einfluss auf die Gesellschaft haben. Derzeit gibt es eine rasante Entwicklung der Methoden des maschinellen Lernens (ML) und einen Anstieg der Anwendungen von ML-Methoden in der Hydrologie. Motiviert durch spezifische Modellierungsprobleme und dem Potenzial eines breiteren Spektrums von ML-Anwendungen für die hydrologische Modellierung, ist das Ziel dieser Dissertation die Evaluierung und Entwicklung von ML-Ansätzen für eine Reihe von Modellierungsaufgaben. Die entsprechenden Projekte resultierten in vier Publikationen. Zusätzlich werden in dieser Dissertation ML-Anwendungen in der hydrologischen Modellierung klassifiziert und der aktuelle Stand der Wissenschaft dargestellt.
Die erste Publikation beinhaltet den Vergleich verschiedener ML-Methoden zur Vorhersage der Flusswassertemperatur und liefert verbesserte Modellierungsansätze, während sie den Einfluss von Modelltypen, Dateneingaben und Hyperparameter-Tuning auf die Vorhersage aufzeigt. Die zweite Publikation beschreibt die Entwicklung einer Methode zur automatischen Schätzung von Parametertransferfunktionen für verteilte Modelle – die Function Space Optimization (FSO) Methode – und evaluiert diese mittels einer synthetischen Modellierungsanwendung. Die dritte Publikation untersucht die FSO-Methode in einer großflächigen Anwendung mit einem komplexen verteilten hydrologischen Modell. Dabei wird gezeigt, dass die durch FSO produzierten Transferfunktionen eine im Vergleich zu Benchmark-Funktionen äquivalente Modellgüte aufweisen. Die vierte Publikation beschreibt die Entwicklung von ML-Methoden und eines Workflows zur Analyse der Modellfehler prozessbasierter Modelle und ist die erste Studie, die ein ML-Fehlermodell mit explainable AI (XAI) Methoden kombiniert, um einen Einblick in die Prozessdarstellungen prozessbasierter Modelle zu erhalten.
|
| Schlagworte |
| Schlagwörter Deutsch: | Hydrologie, Machine Learning, Modellierung, hydrologische Modellierung |
| Schlagwörter Englisch: | Hydrology, machine learning, modeling, hydrological modeling |
| Sonstiges |
| Signatur: | D-23210 |
| Organisationseinheit, auf der die Arbeit eingereicht wird: | H81600 Institut für Hydrologie und Wasserwirtschaft (HyWa) |
Zurück zu den Suchergebnissen
