Application, optimization and uncertainty estimation of global nonlinear nonparametric prediction algorithms : case studies in physical geography

Sauter, Tobias; Schneider, Christoph

doi:urn:nbn:de:hbz:82-opus-37117

Application, optimization and uncertainty estimation of global nonlinear nonparametric prediction algorithms : case studies in physical geography = Anwendung, Optimierung und Abschätzung der Unsicherheiten globaler nichtlinearer nicht-parametrischer Vorhersagealgorithmen : Fallstudien in der Physischen Geographie

Sauter, Tobias (Author)

2011

Verantwortlichkeitsangabevorgelegt von Tobias Sauter

ImpressumAachen : Publikationsserver der RWTH Aachen University 2011

UmfangVIII, 145 S. : graph. Darst., Kt.

Aachen, Techn. Hochsch., Diss., 2011

Ausgezeichnet mit dem Dissertationspreis des Verbandes der Geographen an Deutschen Hochschulen (VGDH) (Köln, August 2012). Zsfassung in engl. und dt. Sprache

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Schneider, Christoph (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2011-04-20

Online
URN: urn:nbn:de:hbz:82-opus-37117
URL: https://publications.rwth-aachen.de/record/59765/files/3711.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Patagonien (Genormte SW) ; Südamerika (Genormte SW) ; Schnee (Genormte SW) ; Schwarzwald (Genormte SW) ; Skigebiet (Genormte SW) ; Klimaänderung (Genormte SW) ; Niederschlag (Genormte SW) ; Abfluss (Genormte SW) ; Geowissenschaften (frei) ; neuronale Netzwerke (frei) ; Nichtlinearität (frei) ; globale Sensitivitätsanalyse (frei) ; neuronal networks (frei) ; downscaling (frei) ; precipitation (frei) ; nonlinearity (frei) ; global sensitivity analysis (frei)

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
In der vorliegenden Doktorarbeit werden wichtige Aspekte in der Modellentwicklung und Optimierung von datenbasierten hydrologischen und klimatologischen Vorhersagemodellen diskutiert. Vor- und Nachteile von datenbasierten Algorithmen werden anhand zweier Beispiele näher untersucht und denen einfacher linearer Verfahren gegenübergestellt. Zum einen wird unter Anwendung eines statischen Neuronalen Netzwerkes der Abfluss eines vergletscherten mesoskaligen Einzugsgebiets im südlichen Patagonien modelliert und analysiert. Zum anderen werden die Stabilität und Fehlerfortpflanzung dynamischer Netze am Beispiel der Schneedeckenvorhersage im Schwarzwald behandelt. Auch ohne genaue Prozesskenntnis der zu modellierenden Phänomene liefern beide Algorithmen sehr gute Ergebnisse bei der Rekonstruktion von komplexen raumzeitlichen Strukturen. Da jedoch den internen Modellparametern keine phänomenologische Bedeutung zukommt, lassen sich folglich keine kausalen Rückschlüsse in den Prädiktoren ableiten. Um dieses Problem zu umgehen, werden die Unsicherheiten in den Modelleingangsgrössen mit einer globalen Sensitivitätsanalyse abgeschätzt. Dieser globale Ansatz berücksichtigt unter anderem Interaktionen von Prädiktoren, welche vor allem bei nichtlinearen Systemen eine besondere Rolle spielen. Anhand dieser Unsicherheiten lassen sich schließlich kausale Zusammenhänge in den Eingangsgrößen ableiten. Diese Informationen bieten weiterhin einen guten Hinweis zur effektiven Reduzierung der Prädiktoren. Schließlich wird ein neuer nichtlinearer Algorithmus zur Optimierung von Prädiktoren für ein Niederschlags-Downscaling präsentiert. Die Prädiktoren sowie die dazugehörigen Domänen werden mit Selbstorganisierenden Merkmalskarten und einem Simulated Annealing optimiert. Der Vergleich mit einem linearen Verfahren zeigt, dass die Vorhersagequalität allein durch eine nichtlineare Selektion von Prädiktoren signifikant verbessert werden kann.

This thesis addresses important aspects in model development and evaluation of nonlinear non-parametric data-driven hydrological and climatological prediction models. Limitations and caveats of data-driven algorithms are discussed using two test cases. A static neural network is developed to forecast the runoff of a meso-scale, partly glaciated, alpine catchment area in the southernmost Andes in Patagonia. With an example of snowcover prediction in the Black Forest mountain range issues of stability and error propagation of dynamical neural networks are discussed. Results are evaluated and compared to simple linear methods. Such algorithms are extremely efficient even if knowledge of underlying processes is missing. Since no phenomenological meaning can be assigned to internal model parameters it is difficult to make causal inferences on the predictors. To overcome this issue we propose to estimate different sources of uncertainty in the model input by a global sensitivity analysis. This approach captures the interaction effects in the predictor set which is in particular an important characteristic of nonlinear systems. Based on this knowledge irrelevant predictors can be pruned, thus effectively reducing the number of predictors for more parsimonious models. Further a novel predictor optimization algorithm for precipitation downscaling which allows for nonlinearities in the screening process is presented. The algorithm optimizes both, the predictors and their corresponding domains by self-organizing maps and a simulated annealing algorithm. Due to the nonlinear screening data-driven algorithms significantly improve the ability to capture complex spatio-temporal structures.

Fulltext:
PDF