Titelaufnahme

Titel
Information aus Daten: Maschinelles Lernen in der Gewässergüte : Surrogat-Parameter und Datenplausibilisierung / Andreas Winkelbauer
Weitere Titel
Data to Information: Machine Learning in Water Quality Analysis
VerfasserWinkelbauer, Andreas
Begutachter / BegutachterinSauter, Thilo ; Meisel, Marcus
ErschienenWien, 2017
UmfangXIII, 93 Seiten : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Diplomarbeit, 2017
Anmerkung
Zusammenfassung in englischer Sprache
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Gewässergüte / Maschinelles Lernen / Künstliche Neuronale Netze / Surrogat-Parameter / mathematische Modellierungsalgorithmen / Messwertplausibilisierung
Schlagwörter (EN)Water quality / machine learning / artificial neural networks / surrogate parameter / mathematical modeling algorithms / measurement records plausibility check
URNurn:nbn:at:at-ubtuw:1-99008 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Information aus Daten: Maschinelles Lernen in der Gewässergüte [17.8 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Diese Diplomarbeit befasst sich mit der messtechnischen Erfassung der wesentlichen Parameter der Gewässergüte und wie aus der Sammlung zusätzlicher Daten schließlich Informationen über Zusammenhänge der Messgrößen erhalten und genutzt werden können. Neben der Messung der Konzentration des gelösten Sauerstoffs im Gewässer werden ausgewählte Daten zu meteorologischen Umgebungsbedingungen mit vergleichsweise kostengünstiger Sensortechnik erfasst und durch Einsatz von Methoden des maschinellen Lernens einer mathematischen Modellierung unterzogen. Die Eignung der Methodik durch Vergleich eines generalisierten linearen Modells und der Modellierung eines künstlichen neuronalen Netzes mit der tatsächlich erfassten Sauerstoffkonzentration wird evaluiert. Das gewonnene Modell ist für die Verwendung zur Datenvorhersage als Surrogat-Parameter wenig geeignet, für die statistische Absicherung der Sauerstoffmessung, also der Plausibilisierung eines herkömmlich erfassten Parameters des Gewässerzustands, aber gut verwendbar.

Zusammenfassung (Englisch)

This thesis addresses the measurement of water quality and how the collection of additional data can be used to obtain information regarding the relationships between these measured variables. In addition to measuring the concentration of dissolved oxygen in the water body, selected data on meteorological, environmental conditions are compiled, using comparatively cost-effective sensor technology and fed into mathematical modeling algorithms by using methods of machine learning. The suitability of the methodology is evaluated by comparing a generalized linear model and the artificial neural network model with the detected oxygen concentration. The model obtained is not suitable as a surrogate parameter for use in data prediction, but is well-suited for the statistical validation of the measured oxygen concentration, that is, the plausibility check of the conventionally recorded parameter of the water state.