Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
V13: Kunstliche Neuronale Netze 18.01.2019
Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze
Prof. Dr.-Ing. habil. Olaf Kolditz
1Helmholtz Centre for Environmental Research – UFZ, Leipzig
2Technische Universitat Dresden – TUD, Dresden
3Center for Advanced Water Research – CAWR
Dresden, 18.01.2019
1/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Ubersicht
1. Hydrologische Modelle: Definition
2. Kunstliche Neuronale Netzwerke (ANN)
3. Kunstliche Neuronale Netzwerke in der Hydrologie
4. Mesoskalige Hydrologische Modellierung (mHM)
5. Anwendungen
2/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Modell-Begriff
3/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModelleDefinition
”Hydrologisches Modell: Vereinfachte Beschreibung der in einemhydrologischen System ablaufenden physikalischen, chemischen undbiologischen Prozesse (hydrologischer Prozeß) oder Teilprozessemit Hilfe mathematischer Gleichungen. Diese werden zeitlich undraumlich so miteinander verknupft, wie sie in der Natur ablaufen.”
Source: http://www.spektrum.de/lexikon/geowissenschaften/hydrologisches-modell/7239
4/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModelleDefinition
I ”Je nach Berucksichtigung des zeitlichen Verhaltens wirdzwischen stationaren und instationaren Modellenunterschieden.
I Weitere Unterscheidungen erfolgen nach denLosungsverfahren der mathematischen Gleichungen inanalytische und numerische Modelle,
I nach Berucksichtigung zufallsbedingter Systemanderungen instochastische und deterministische Modelle,
I nach der Abhangigkeit der Modellparameter vom momentanenSystemzustand in lineare und nichtlineare Modelle.”
Source: http://www.spektrum.de/lexikon/geowissenschaften/hydrologisches-modell/7239
5/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModelleDefinition
”Die deterministischen Modelle werden in drei Hauptgruppenunterteilt, wobei der Grad der Kausalitat in Form derUrsachen-Wirkungs-Beziehung Beachtung findet:
1. physikalische Modelle (White-Box-Modelle), die auf denGrundgesetzen der Physik, insbesondere der Hydro- undThermodynamik, der Chemie und der Biologie beruhen,
2. konzeptionelle Modelle (Grey-Box-Modelle), die sich auf diephysikalischen Gesetze in vereinfachter Naherung stutzen undein gewisses Maß an Empirie enthalten und
3. Modelle der Black-Box, die unter Vernachlassigung derphysikalischen Grundgesetze nurUrsachen-Wirkungsbeziehungen zwischen den Systemein- undSystemausgaben betrachten.”
Source: http://www.spektrum.de/lexikon/geowissenschaften/hydrologisches-modell/7239
6/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale Netzwerke
ANN
7/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
”Kunstliche neuronale Netze, auch kunstliche neuronaleNetzwerke, kurz: KNN (engl. artificial neural network, ANN), sindNetze aus kunstlichen Neuronen. Sie sind Forschungsgegenstandder Neuroinformatik und stellen einen Zweig der kunstlichenIntelligenz dar. Die kunstlichen neuronalen Netze haben, ebensowie kunstliche Neuronen, ein biologisches Vorbild. Man stellt sieden naturlichen neuronalen Netzen gegenuber, welcheNervenzellvernetzungen im Gehirn und im Ruckenmark bilden.Doch geht es mehr um eine Abstraktion (Modellbildung) vonInformationsverarbeitung und weniger um das Nachbildenbiologischer neuronaler Netze, was eher Gegenstand derComputational Neuroscience ist.”
Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\
font\U@Du\egroupnstliches_neuronales_Netz
8/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
In kunstlichen neuronalen Netzen bezeichnet die Topologie dieStruktur des Netzes. Damit ist im Allgemeinen gemeint, wie vielekunstliche Neuronen sich auf wie vielen Schichten befinden, undwie diese miteinander verbunden sind. Kunstliche Neuronen konnenauf vielfaltige Weise zu einem kunstlichen neuronalen Netzverbunden werden. Dabei werden Neuronen bei vielen Modellen inhintereinander liegenden Schichten (englisch layers) angeordnet;bei einem Netz mit nur einer trainierbaren Neuronenschicht sprichtman von einem einschichtigen Netz.
Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\
font\U@Du\egroupnstliches_neuronales_Netz
9/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
Unter Verwendung eines Graphenkonnen die Neuronen als Knoten undihre Verbindungen als Kanten dargestelltwerden. Die Eingaben werdengelegentlich auch als Knoten dargestellt.
Die hinterste Schicht des Netzes, deren Neuronenausgaben meistals einzige außerhalb des Netzes sichtbar sind, wird Ausgabeschicht(engl. output layer) genannt. Davorliegende Schichten werdenentsprechend als verdeckte Schicht (engl. hidden layer) bezeichnet.Source: https://de.wikipedia.org/wiki/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\
font\U@Du\egroupnstliches_neuronales_Netz
10/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
Source: https://www.lfi.rwth-aachen.de/index.php?page=kunstl-neuronale-netze
11/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
Abb. 11 zeigt ein typisches, aus drei Schichten bestehendes KNN(eine Eingangsschicht, eine versteckte Schicht und eineAusgangsschicht). Jedes Neuron des Netzes verarbeitet dieankommenden Eingaben zu einer Ausgabe. Diese Ausgabe wirddann mit anderen Neuronen verknupft. Die Informationen gelangenuber die Eingangsschicht in das Netz hinein. Alle Schichten desNetzes verarbeiten diese Signale, bis sie die Ausgangsschichterreichen. Bei der Entwicklung von Neuronalen Netzen werden zweiHauptphasen betrachtet:
Source: https://www.lfi.rwth-aachen.de/index.php?page=kunstl-neuronale-netze
12/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeBeispiel
Source: Vorlesung 12.01.2018
13/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeDefinition
Lernphase Diese Phase umfasst den Prozess, bei dem dem Netzmit Hilfe von Trainingsets (z.B. historische Daten)und Trainingsalgorithmen eine gewunschteVerhaltensweise beigebracht wird.
Arbeitsphase Nach dem Lernprozess ist das KNN bereit, in dieArbeitsphase einzutreten. Das Netz gibtAusgangswerte aus, die denen im Beispieldatensatzahneln, wenn die Eingangswerte zu denen einesTrainingsbeispiels passen.
Source: https://www.lfi.rwth-aachen.de/index.php?page=kunstl-neuronale-netze
14/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeHydrologie
Ronny Peters
KUNSTLICHE NEURONALE NETZE ZUR BESCHREIBUNGDER HYDRODYNAMISCHEN PROZESSE FUR DENHOCHWASSERFALL UNTER BERUCKSICHTIGUNG DERNIEDERSCHLAGS-ABFLUSS-PROZESSE IMZWISCHENEINZUGSGEBIET
Dresden, Juli 2008
Source:https://www.baufachinformation.de/dissertation/K\protect\unhbox\voidb@x\bgroup\U@D1ex\setbox\z@
\hbox\char127\[email protected]\advance\dimen@\ht\z@\fontdimen5\font\dimen@\accent127\fontdimen5\
font\U@Du\egroupnstliche-neuronale-Netze-zur-Beschreibung-der-hydrodynamischen-Prozess
15/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeHydrologie
Abbildung: Aus dem Defizit an Trainingsdaten abgeleitete allgemeineMethodik
Source: Peters,2008
16/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeHydrologie (Peters, 2008)
Abbildung: Freiberger Mulde: Hohen und Gefalle im Untersuchungsgebiet
17/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeHydrologie (Peters, 2008)
Abbildung: Darstellung einzelner Szenarien fur Durchfluß undWasserstand18/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Kunstliche Neuronale NetzwerkeHydrologie - Anwendungen - Hochwasservorhersage
Nutzung kunstlicher neuronaler Netze zur Bereitstellung vonEntscheidungsgrundlagen fur operative und planerischewasserwirtschaftliche Maßnahmen
Eine neue Methodik, die zuverlassigeHochwasservorhersagemodelle auf dem aktuellsten Wissensstandeiner Echtzeitanwendung fur den operativen Einsatz zuganglichmacht, wird entwickelt, getestet und angewendet. Sie basiert aufdetaillierter Niederschlags-Abfluss-Modellierung in Kopplung mithydrodynamischen Wellenablaufmodellen. Diese Modelle werdendann durch ein neuronales Netz ”gekoppelt”, mit welchem dieHochwasservorhersage gestellt werden kann.
BMBF Projekt (2012-2016), Lehrstuhl fur Hydrologie undMeteorologie, TU Dresden, Michael WagnerSource:https://tu-dresden.de/bu/umwelt/hydro/ihm/hydrologie/forschung/projekte/hochwasservorhersage-ann
19/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
mesoskalige HydrologischeModellierung
mHM
20/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModellemHM
Abbildung: Landsurface Hydrology - das Modell mHM
Source: Rakovec, O., Kumar, R., Mai, J., Cuntz, M., Thober, S., Zink, M., Attinger, S., Schafer, D., Schron, M.,Samaniego, L., 2016. Multiscale and Multivariate Evaluation of Water Fluxes and States over European RiverBasins. J. Hydrometeor 17, 287–307. doi:10.1175/jhm-d-15-0054.1
21/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModellemHM
Abbildung: Landsurface Hydrology - das Modell mHM22/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModellemHM
Abbildung: Mehrskalen-Verification mHM
23/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModellemHM
Abbildung: Mehrskalen-Verifikation mHM in der Pan-EU
24/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Fragen ?
25/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019
V13: Kunstliche Neuronale Netze 18.01.2019
Hydrologische ModelleFragen
1. Zu welchem hydrologischen Modelltyp gehoren die kunstlichenneuronalen Netzwerke?
2. Was ist der englische Begriff fur ”Kunstliche NeuronaleNetzwerke”?
3. Skizzieren sie ein ANN-Konzept fur eineHochwasservorhersage. Benennen sie Einflussfaktoren furverschiedene Layer des ANN (d.h. die Kette vonAbhangigkeiten).
4. ...
26/26 Prof. Dr.-Ing. habil. Olaf Kolditz Hydroinformatik I - WiSe 2018/2019