Izvorni znanstveni članak
Primjena strojnog učenja za predviđanje i procjenu vodostaja i protoka rijeka pod usporom mora
Jonatan Lerga
; Sveučilište u Rijeci, Tehnički fakultet, Vukovarska 58, 51000 Rijeka; Sveučilište u Rijeci, Centar za umjetnu inteligenciju i kibernetičku sigurnost, R. Matejčić 2, 51000 Rijeka
Anna Maria Mihel
; Sveučilište u Rijeci, Tehnički fakultet, Vukovarska 58, 51000 Rijeka; Sveučilište u Rijeci, Centar za umjetnu inteligenciju i kibernetičku sigurnost, R. Matejčić 2, 51000 Rijeka
Nino Krvavica
; Sveučilište u Rijeci, Centar za umjetnu inteligenciju i kibernetičku sigurnost, R. Matejčić 2, 51000 Rijeka; Sveučilište u Rijeci, Građevinski fakultet, R. Matejčić 3, 51000 Rijeka
Sažetak
Rijeke pod utjecajem mora predstavljaju dinamične sustave u kojima se javljaju složena međudjelovanja toka slatke vode i oscilacija mora. Upravljanje vodnogospodarskim sustavima u takvim okruženjima uvelike ovisi o kvaliteti i pouzdanosti hidroloških podataka. Međutim, nagle i teško predvidljive promjene vodostaja otežavaju primjenu standardnih hidroloških modela, osobito kada je potrebno procijeniti protok na temelju mjerenja vodostaja.
U ovom radu istražena je primjena suvremenih metoda strojnog učenja za predviđanje i procjenu hidrodinamičkih značajki rijeka pod usporom mora, s naglaskom na donji tok rijeke Neretve – područje koje je zbog porasta razine mora, sezonskih promjena dotoka slatke vode i čestih ekstremnih događaja prepoznato kao jedno od najosjetljivijih na klimatske rizike.
U tu svrhu razvijeni su hibridni modeli temeljeni na neuronskim mrežama koji kombiniraju različite pristupe analize vremenskih serija. Za predviđanje vodostaja korišten je model koji povezuje model duge kratkoročne memorije (LSTM) i konvolucijske mreže, dok je za rekonstrukciju protoka primijenjen LSTM model proširen mehanizmom pažnje. Takvi modeli omogućuju učinkovitije prepoznavanje nestacionarnih procesa te složenih signala povezanih s utjecajem plime i riječnih dotoka pogotovo tijekom ekstremnih događaja.
Dobiveni rezultati potvrđuju da hibridni modeli strojnog učenja nadmašuju tradicionalne pristupe, osobito u uvjetima gdje se istodobno javljaju utjecaji rijeke i mora. Praktične primjene ovakvih modela uključuju poboljšanje sustava ranog upozorenja na poplave, optimizaciju upravljanja sustavima navodnjavanja te potporu donošenju odluka u kontekstu prilagodbe klimatskim promjenama.
Ključne riječi
strojno učenje, predviđanje, procjena, vodostaj, protok
Hrčak ID:
347743
URI
Datum izdavanja:
8.6.2026.
Posjeta: 0 *