| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - Častým úkolem reálných i scénářových prognóz inženýrské hydrologie je využití simulační techniky matematických modelů pro procesy na malých povodích. Tato povodí mívají často plochu do 35 km2, jejich charakter bývá v horských a podhorských oblastech bystřinný (index bystřinnosti KB} 0,1) a obvykle nejsou vybaveny limnigrafickým měřením. Škody, které působí v povodí, bývají enormní a rozsah těchto bystřin je asi 35 % (18 000 km) délky drobných vodních toků České republiky (Bělský, 1999). Proto bylo vybráno experimentální povodí bystřiny Smědé (UP Bílý potok) v Jizerských horách jako modelové území pro simulace extrémních srážko-odtokových procesů dvou odlišných modelů. Pro vzájemné využití jsme vybrali k simulaci významných srážko-odtokových epizod fyzikálně založený hydrologický 2D model KINFIL a čistě matematický %22učící se%22 model aplikace neuronových sítí MANS. Neuronová síť je matematickým modelem nelineární funkční závislosti mezi vstupy a výstupy s volnými parametry (váhami), které se nastavují gradientním učícím algoritmem s mnoha iteracemi, během kterých se procházejí kalibrační data.
- Častým úkolem reálných i scénářových prognóz inženýrské hydrologie je využití simulační techniky matematických modelů pro procesy na malých povodích. Tato povodí mívají často plochu do 35 km2, jejich charakter bývá v horských a podhorských oblastech bystřinný (index bystřinnosti KB} 0,1) a obvykle nejsou vybaveny limnigrafickým měřením. Škody, které působí v povodí, bývají enormní a rozsah těchto bystřin je asi 35 % (18 000 km) délky drobných vodních toků České republiky (Bělský, 1999). Proto bylo vybráno experimentální povodí bystřiny Smědé (UP Bílý potok) v Jizerských horách jako modelové území pro simulace extrémních srážko-odtokových procesů dvou odlišných modelů. Pro vzájemné využití jsme vybrali k simulaci významných srážko-odtokových epizod fyzikálně založený hydrologický 2D model KINFIL a čistě matematický %22učící se%22 model aplikace neuronových sítí MANS. Neuronová síť je matematickým modelem nelineární funkční závislosti mezi vstupy a výstupy s volnými parametry (váhami), které se nastavují gradientním učícím algoritmem s mnoha iteracemi, během kterých se procházejí kalibrační data. (cs)
- Often task for real and scenario prognosis in engineering hydrology is usage of simulation techniques of mathematical models for processes in small catchments. These catchments have often area till 35 km2, their character is subcritical in mountainous and sub mountainous areas (index of torrent KB} 0,1) and often there is not a water stage gauge. Damages in their catchments are enormous and length of torrents is about 35 % (18 000 km) of the total length of small rivers in the Czech Republic (Bělský, 1999). An experimental mountain catchment Smědá (profile %22Bílý potok%22) in %22Jizerské hory%22 Mountains was chosen as model area for simulation of extreme rainfall.runoff processes of two different models. For evaluation and simulations of important rainfall runoff episodes we have chosen a physical based hydrological 2D model KINFIL and a mathematical %22learning%22 model of application neural networks MANS. Neural network is a mathematical model of non linear functional dependence between inputs and outputs with free parameters (weights), which are made by gradient learning algorithms with much iteration, where calibrating data are run. (en)
|
| Title
| - Possibilities of usage of different hydrological models in the research of rainfall-runoff extremes in small catchments (en)
- Možnosti využití odlišných hydrologických modelů v řešení srážko-odtokových extrémů na malých povodích
- Možnosti využití odlišných hydrologických modelů v řešení srážko-odtokových extrémů na malých povodích (cs)
|
| skos:prefLabel
| - Possibilities of usage of different hydrological models in the research of rainfall-runoff extremes in small catchments (en)
- Možnosti využití odlišných hydrologických modelů v řešení srážko-odtokových extrémů na malých povodích
- Možnosti využití odlišných hydrologických modelů v řešení srážko-odtokových extrémů na malých povodích (cs)
|
| skos:notation
| - RIV/44555601:13520/13:43885486!RIV14-MSM-13520___
|
| http://linked.open...avai/predkladatel
| |
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...iv/cisloPeriodika
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/44555601:13520/13:43885486
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - flood forecasting; neural network; Smědá catchment; KINFIL (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...odStatuVydavatele
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...i/riv/nazevZdroje
| |
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...v/svazekPeriodika
| |
| http://linked.open...iv/tvurceVysledku
| - Kovář, Pavel
- Neruda, Roman
- Neruda, Martin
- Vaššová, Darina
- Jelínková, Andrea
- Šrejber, Jan
|
| issn
| |
| number of pages
| |
| http://localhost/t...ganizacniJednotka
| |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)