Società

Le Giornate dell’Idrologia 2011 Idrologica

Bologna 1- 2 Dicembre 2011 Italiana

Applicazione di un modello a reti neurali artificiali con stima dell’incertezza

predittiva (MCP) per la previsione di piena con 12 ore di anticipo alla stazione di
Grazzanise sul fiume Volturno
Enrique Ortiz (1), Gabriele Coccia (1)

(1) Idrologia e Ambiente s.r.l., Riviera di Chiaia 72, 80122, Napoli, Italy

In questo poster vengono presentati i risultati ottenuti tramite un sistema di previsione basato su un modello a
Reti Neurali Artificiali (RNA) implementato per la previsione di piena alla stazione di Grazzanise (Fiume
Volturno) con 12 ore di anticipo. I dati di input forniti al modello RNA sono le osservazioni idrometriche in 2
stazioni a monte di Grazzanise (Solopaca e Amorosi). Il sistema prevede inoltre la valutazione dell’incertezza
predittiva, stimata con il post-processore statistico Model Conditional Processor (MCP) (Todini, 2008 e Coccia
e Todini, 2011), che può essere utilizzato all’interno di un sistema di supporto alle decisioni per la previsione
delle piene. Il MCP permette la stima della distribuzione di probabilità del valore futuro osservato di
portata/livello condizionato alla previsione deterministica del modello. Il sistema, nel complesso, è in grado di
fornite le previsioni di livelli/portate sul fiume Volturno alla stazione di Grazzanisse con dodici ore di anticipo
ed il corrispondente intervallo di confidenza del 90%. I risultati ottenuti in fase di calibrazione e di validazione
sono di buona qualità, sia all’analisi grafica che statistica. Durante l’intero periodo di validazione si ottengono
un coefficiente di Nash and Sutcliffe pari a 0,974 ed un coefficiente di persistenza di 0.07

05/1994- 01/2010 Inizio Fine Nash Coeff. persistenza

Calibrazione 10/01/1996 31/12/1998 0,986 0,070
BACINO DEL FIUME VOLTURNO. Stazione Idrometriche
Validazione I 04/05/1994 09/01/1996 0,974 0,071
Validazione II 01/01/1998 01/01/2010 0,972 0,073
Il problema principale in un processo decisionale è, infatti,
quello di interpretare il risultato di un modello e tradurlo in una
strategia d’intervento. Questo passaggio è spesso complicato.
Vista quindi l’importanza di tradurre le stime deterministiche
del modello in stime probabilistiche per il supporto decisionale,
è stata fatta l’implementazione del Model Conditional
Processor (MCP). Il MCP è un post-processore bayesiano per
la stima dell’incertezza predittiva introdotto dal professore Ezio n
Todini nel 2008 e sviluppato dall’Università di Bologna (cfr. y j   wi , j xi  b j
Krzysztofowicz, R., Bayesian theory of probabilistic forecasting Grazzanise t - 2 i 1
via deterministic hydrologic model, Water Resour. Res., 35,
2739-2750, 1999 e Coccia, G. and Todini, E.: Recent Grazzanise t - 1
developments in predictive uncertainty assessment based on
the model conditional processor approach, Hydrol. Earth Syst. Grazzanise t - 0

Sci. Discuss., 7, 9219-9270, doi:10.5194/hessd-7-9219-2010,

Solopaca t - 2
2010.). La base teorica della metodologia è l’applicazione del
teorema di Bayes per la stima della distribuzione di probabilità Solopaca t - 1 Grazzanise t + 12
della variabile osservata condizionata alle previsioni dei
modelli. Per potere effettuare questi i dati vengono trasformati Solopaca t - 0
nel campo Gaussiano applicando la Trasformazione Normale
Quantile (TNQ), dove le distribuzioni marginali delle variabili Amorosi t - 2
sono Normali Standard e la loro distribuzioni congiunta viene
Amorosi t - 1
approssimata da due distribuzioni Multivariate Troncate
Normali. L’applicazione del teorema di Bayes porta alla stima Amorosi t - 0
dell’incertezza predittiva come il rapporto tra la distribuzione 1

congiunta di tutte le variabili e la distribuzione congiunta delle 0.8

sole variabili previste. La distribuzione predittiva ottenuta nel ∆t 1 ora 0.6

campo Gaussiano è una distribuzione Normale che viene poi 0.4

riportata nello spazio reale dei dati attraverso l’inverso della 0.2

TNQ. Gli ultimi sviluppi del MCP hanno permesso inoltre di 0

stimare l’incertezza predittiva condizionata non solo alle -6 -4 -2 0 2 4 6

previsioni di molti modelli, ma anche alle previsioni degli stessi Modello ANN Volturno 1
a diversi orizzonti temporali. Questo comporta la possibilità di •Quantità di cappe: 3 f ( y)  (0;1)
stimare l’incertezza predittiva congiunta della variabile •Numeri di nodi in cappa di entrata: 9 1  e y
osservata ad ogni orizzonte temporale dalla quale è possibile •Numeri di nodi in cappa nascosta: 5
estrapolare importanti informazioni, quali la probabilità di •Numeri di nodi in cappa di uscita: 1
superare soglie di allarme entro un determinato orizzonte di •Funzione di attivazione della capa nascosta: tang. sigmoidal
tempo e la distribuzione di probabilità dell’esatto istante di •Funzione di transformazione delle variabile di entrata scalata tra 0.05 e 0.95
superamento. •Algoritmo di allenamento: BFGS quasi-Newton backpropagation
Il MCP è operativo da più di un anno nel sistema di previsione •Funzione obiettivo: errore cuadratico medio (MSE)
di piena in tempo reale della Protezione Civile dell’Emilia-
Previsione a 12 ore in Grazzanise con un modello di reti neurali con valutazione dell'incertezza.
Romagna sui fiumi Po e Reno, oltre ad essere stato Dati: livelli misurati alle stazioni di Solopaca e Amorosi
implementato e reso operativo nel sistema di previsione
dell’Ufficio Idrografico del Fiume Duero (Spagna). 500
Grazzanise Livello misurato
Grazzanise previsione a 12 0re livello
intervallo di fiducia 5%
400 intervallo di fiducia 95%
Livello Grazzanise (cm)

300

200

100

-100

-200
20-02-95 00:00

02-03-95 00:00

12-03-95 00:00

22-03-95 00:00

01-04-95 00:00

11-04-95 00:00

21-04-95 00:00

01-05-95 00:00

11-05-95 00:00

21-05-95 00:00

31-05-95 00:00

10-06-95 00:00

data