This HTML5 document contains 47 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n17http://localhost/temp/predkladatel/
n7http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n15http://linked.opendata.cz/resource/domain/vavai/subjekt/
n4http://linked.opendata.cz/ontology/domain/vavai/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n3http://linked.opendata.cz/ontology/domain/vavai/riv/
n12http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F44555601%3A13520%2F13%3A43885486%21RIV14-MSM-13520___/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n8http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n10http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n13http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n6http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n16http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n14http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n18http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F44555601%3A13520%2F13%3A43885486%21RIV14-MSM-13520___
rdf:type
n4:Vysledek skos:Concept
dcterms:description
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. 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.
dcterms:title
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 Possibilities of usage of different hydrological models in the research of rainfall-runoff extremes in small catchments
skos:prefLabel
Possibilities of usage of different hydrological models in the research of rainfall-runoff extremes in small catchments 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
skos:notation
RIV/44555601:13520/13:43885486!RIV14-MSM-13520___
n4:predkladatel
n15:orjk%3A13520
n3:aktivita
n13:S n13:I
n3:aktivity
I, S
n3:cisloPeriodika
2
n3:dodaniDat
n18:2014
n3:domaciTvurceVysledku
n7:2093103
n3:druhVysledku
n14:J
n3:duvernostUdaju
n10:S
n3:entitaPredkladatele
n12:predkladatel
n3:idSjednocenehoVysledku
89913
n3:idVysledku
RIV/44555601:13520/13:43885486
n3:jazykVysledku
n6:cze
n3:klicovaSlova
flood forecasting; neural network; Smědá catchment; KINFIL
n3:klicoveSlovo
n8:KINFIL n8:flood%20forecasting n8:Sm%C4%9Bd%C3%A1%20catchment n8:neural%20network
n3:kodStatuVydavatele
CZ - Česká republika
n3:kontrolniKodProRIV
[8D55C6C0385C]
n3:nazevZdroje
Studia Oecologica
n3:obor
n16:DA
n3:pocetDomacichTvurcuVysledku
1
n3:pocetTvurcuVysledku
6
n3:rokUplatneniVysledku
n18:2013
n3:svazekPeriodika
VII
n3:tvurceVysledku
Vaššová, Darina Neruda, Roman Jelínková, Andrea Šrejber, Jan Neruda, Martin Kovář, Pavel
s:issn
1802-212X
s:numberOfPages
14
n17:organizacniJednotka
13520