• search hit 1 of 17
Back to Result List

Using Self-Organizing Maps for the evaluation of watershed models

Anwendung von selbstorganisierenden Merkmalskarten für die Evaluation von Wasserhaushaltsmodellen

  • The reduction of information contained in model time series through the use of aggregating statistical performance measures is very high compared to the amount of information that one would like to draw from it for model identification and calibration purposes.rnIt is readily known that this loss imposes important limitations on model identification and -diagnostics and thus constitutes an element of the overall model uncertainty as essentially different model realizations with almost identical performance measures (e.g. r-² or RMSE) can be generated. In three consecutive studies the present work proposes an alternative approach towards hydrological model evaluation based on the application of Self-Organizing Maps (SOM; Kohonen, 2001).rnThe Self-Organizing Map is a type of artificial neural network and unsupervised learning algorithm that is used for clustering, visualization and abstraction of multidimensional data. It maps vectorial input data items with similar patterns onto contiguous locations of a discrete low-dimensional grid of neurons. The iterative training of the SOM causes the neurons to form a discrete, data-compressed representation of the high-dimensional input data. Using appropriate visualization techniques, information on distributions, patterns and relationships in complex data sets can be extracted. Irrespective of their potential, SOM applications have earned very little attention in hydrological modelling compared to other artificial neural network techniques.rnTherefore, the aim of the present work is to demonstrate that the application of Self-Organizing Maps has very high potential to address fundamental issues of model evaluation: It is shown that the clustering and classification of model time series by means of SOM can provide useful insights into model behaviour. In combination with the diagnostic properties of Signature Indices (Gupta et al., 2008; Yilmaz et al., 2008) SOM provides a novel tool for interpreting the model parameters in the hydrological context and identifying parameter sets that simultaneously meet multiple objectives, even if the corresponding model realizations belong to different models. Moreover, the presented studies and reviews also encourage further studies on the application of SOM in hydrological modelling.rn
  • Die Reduktion des Informationsgehaltes von hydrologischen (Modell-) Zeitreihen durch die Verwendung statistischer Gütemaße ist, verglichen mit dem Umfang an Informationen, die man aus ihnen zum Zwecke der Modellidentifikation und "kalibrierung gewinnen möchte, sehr hoch. Es ist bekannt, dass der mit der Verwendung von aggregierenden Gütemaßen einhergehende Informationsverlust ein limitierender Faktor bei der Untersuchung von Modellen bzw. Modellzeitreihen ist und ein wichtiges Element der Modellunsicherheit darstellt, da sich sehr unterschiedliche Modellrealisationen mit nahezu identischem Gütemaß (z. B. r-² oder RMSE) erzeugen lassen. Um den hierdurch induzierten Problemen bei der Modellidentifikation und Modelloptimierung zu begegnen, stellt die vorliegende Arbeit in drei aufeinander aufbauenden Studien einen Ansatz zur Modellevaluation vor, der auf der Verwendung von Selbstorganisierenden Merkmalskarten (SOM; Kohonen, 2001) basiert. rnBei SOM handelt es sich um ein künstliches neuronales Verfahren zur unüberwachten Klassifikation hochdimensionaler Daten. Die zu untersuchenden Eingangsdatensätze werden dabei entsprechend der Ähnlichkeit in ihren Mustern auf benachbarten Positionen eines zweidimensionalen Rasters abgebildet. Die Neuronen genannten Elemente der SOM ergeben nach dem iterativen Training ein diskretes, datenkomprimiertes Abbild der hochdimensionalen Eingangsdaten. Mittels verschiedener Visualisierungsmethoden lassen sich auf diese Weise Aufschlüsse über Häufigkeiten, Muster und Zusammenhänge in komplexen Datensätzen gewinnen. Ungeachtet ihres Potenzials haben SOM in der hydrologischen Modellierung, im Vergleich zu anderen Methoden künstlicher neuronaler Netze, nur wenig Beachtung erfahren. Zweck der vorliegenden Arbeit ist es daher, u. a. Beispiele für vorhandene als auch potenzielle Einsatzmöglichkeiten von SOM auf dem Gebiet der hydrologischen Modellierung aufzuzeigen.rnDie drei veröffentlichten Studien zeigen, dass man die Eigenschaften der SOM in Verbindung mit geeigneten Visualisierungsmethoden gezielt ausnutzen kann, um Informationen über bestimmte Aspekte des Verhaltens hydrologischer Modelle zu gewinnen. Neben der Gewinnung qualitativer Informationen über die Funktion und die Sensitivität von Modellparametern ist es vor allem möglich, diejenigen Modellergebnisse und Parametersätze zu identifizieren welche die gemessene Abflussganglinie am Pegel, gemäß der jeweils angewendeten Kriterien, "am besten" repräsentieren. Dies kann, wie Anhang C zeigt, ggf. sogar modellübergreifend durchgeführt werden. Die im Rahmen der vorliegenden Arbeit gewonnenen Ergebnisse ermutigen dazu, weitere Untersuchungen zu möglichen Anwendungen von SOM in der hydrologischen Modellierung anzustellen.rn

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Marcus Herbst
URN:urn:nbn:de:hbz:385-5451
Advisor:Markus Casper
Document Type:Doctoral Thesis
Language:English
Date of completion:2009/10/15
Publishing institution:Universität Trier
Granting institution:Universität Trier, Fachbereich 6
Date of final exam:2009/07/16
Release Date:2009/10/15
Tag:Monte-Carlo simulation; Self-Organizing Maps; Watershed modelling; model evaluation; model performance
GND Keyword:Dynamische Modellierung; Hydrologie; Leistungsmessung; Modellierung; Monte-Carlo-Simulation; Selbstorganisierende Karte; Visualisierung
Institutes:Fachbereich 6 / Geographie und Geowissenschaften
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 55 Geowissenschaften, Geologie / 550 Geowissenschaften

$Rev: 13581 $