ВЕРИФИКАЦИЯ МОДЕЛИ КРАТКОСРОЧНЫХ ПРОГНОЗОВ УРОВНЯ ВОДЫ РЕКИ ОБЬ У ГОРОДА БАРНАУЛА С ИСПОЛЬЗОВАНИЕМ ДАННЫХ 2020 ГОДА

Евгения Дмитриевна Кошелева

doi:10.24412/2410-1192-2021-16003

Евгения Дмитриевна Кошелева Институт водных и экологических проблем СО РАН, Барнаул

DOI: https://doi.org/10.24412/2410-1192-2021-16003

Ключевые слова: половодье, межень, наблюдения, уровень воды, р. Обь, краткосрочные прогнозы.

Аннотация

В статье представлены результаты верификации метода краткосрочного прогнозирования уровня воды р. Обь у г. Барнаула по соответственным уровням вышерасположенных створов для периода половодья и осенней межени 2020 г. Выполнены краткосрочные прогнозы уровней воды р. Обь на гидрологическом посту с. Усть-Чарышская пристань с заблаговременностью 1 сутки и у г. Барнаула с заблаговременностью 1-3 суток. Оценены ошибки и точность полученных прогнозов.

Литература

Chatfield, C. (2000). Time-Series Forecasting, Chapman and Hall/CRC Press, New York.

Davis, R.A. and Brockwell, P.J.(1999). Introduction to Time Series and Forecasting, 2nd ed., Springer-Verlag, Berlin.

Rudolf Scitovski, Siniša Maričić, Sanja Scitovski. Short-term and long-term water level prediction at one river measurement location. Croatian Operational Research Review (CRORR), Vol. 3, 2012. Р.80-90.

Wu, C., Chau, K. and Li, Y. (2008). River stage prediction based on a distributed support vector regression, Journal of Hydrology 358: 96– 111.

Wu, C., Chau, K. and Fan, C. (2010). Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques, Journal of Hydrology 389: 146–167.

Toth, E., Brath, A. and Montanari (2000). Comparison of short-term rainfall prediction models for real-time flood forecasting, Journal of Hydrology 239: 132–147.

Leahy, P., Kiely, G. and Corcoran, G. (2008). Structural optimization and input selection of an artificial neural network for river level prediction, Journal of Hydrology 355: 192– 201.

Maier, H. R., Jain, A., Dandy, G. C. and Sudheer, K. (2010). Methods used for the development of neural networks for the prediction of water resource variables in river systems: Current status and future directions, Environmental Modeling and Software 25: 891–909.

Vapnik, V. (2010). The Nature of Statistical Learning Theory, Springer-Verlag, Berlin.

Георгиевский Ю. М. Краткосрочные гидрологические прогнозы: учеб. пособие. – М.: Изд. ЛПИ, 1982. – 100 с.

Информационная система по водным ресурсам и водному хозяйству рек России /Центр регистра и кадастра. URL: http://gis.vodinfo.ru/ (дата обращения: 08.01.2020).

Tofallis. A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation / Journal of the Operational Research Society. – 2015. – 66(8). – P.1352-1362.

Hyndman, Rob J., and Anne B. Koehler. Another look at measures of forecast accuracy / International journal of forecasting 2006. – 22 (4) – P. 679-688.

Kim, Sungil and Heeyoung Kim "A new metric of absolute percentage error for intermittent demand forecasts./ International Journal of Forecasting. – 2016. – 32 (3). – P. 669-679.

Kosheleva E., Kudishin A. Short-term forecasts of water levels of the Ob river near Barnaul during the flood in 2018 and 2019. // Eurasian journal of mathematical and computer applications. – 2020. – Vol. 8. – No 1. – P. 30–43.

Кошелева Е.Д., Кудишин А.В. Краткосрочное прогнозирование уровней воды реки Обь у города Барнаула во время половодья 2018 года – Известия Алтайского отделения РГО. – 2018. – № 3(50) – С. 27–37.

Кошелева Е.Д. Прогнозы уровней воды реки Обь у города Барнаула для весеннего половодья 2019 года /– Известия Алтайского отделения РГО. – 2019.– No 3 (54). – С. 66-71.