Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
|
|
- Ladislav Bednář
- před 7 lety
- Počet zobrazení:
Transkript
1 Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná zpráva o řešení Číslo aktivity: A421 Název aktivity: Predikce průtoků na řekách Doba řešení: Řešitel: Martin Neruda,
2 ÚVOD Ve spolupráci s Ústavem informatiky Akademie věd (UI AV) ČR a Českým hydrometeorologickým ústavem v Ústí nad Labem (ČHMÚ) byly provedeny výpočty predikce průtoků na řece Sázavě a Ploučnici. Výpočty navazovaly na předešlé experimenty aplikované na povodí Ploučnice. Na rozdíl od doposavad využívaných denních dat (srážky, průtoky) jsme vyzkoušeli poprvé data hodinová. Hodinová srážková a průtoková data byla pořízena na ČHMÚ. Na povodí Sázavy jsme se zaměřili na časovou řadu , zejména pro začlenění povodně z Byl použit softwarový model umělých neuronových sítí Bang, vyvinutý na Ústavu informatiky Akademie věd ČR v Praze a program Weka (Nový Zéland). Počítali jsme s vícevrstvou perceptronovou sítí s algoritmem backpropagation. TEORIE NEURONOVÝCH SÍTÍ Modely neuronových sítí jsou uspořádány do vrstev. Standardně se používají vstupní, mezilehlá (mezilehlé) a výstupní vrstvy. Neurony ze sousedních vrstev jsou navzájem propojeny. Sílu vícevrstvých neuronových sítí utváří spojení více vrstev a nelineárních přenosových funkcí jednotlivých neuronů. Kdybychom použili lineární přenosovou funkci, mohli bychom celou síť nahradit sítí perceptronů s vhodnými vahami. Často používanou přenosovou funkcí je sigmoidální přenosová funkce. U neuronových sítí se často používá algoritmus zpětného šíření back propagation. Při jeho použití se síť postupně učí pomocí korekce vah v závislosti na odchylce mezi zadanou a vypočtenou hodnotou výstupního signálu. Korekce signálů (vah) pak probíhá sítí zpětně odtud pochází název. Obr. 1 Vícevrstvá perceptronová síť POVODÍ SÁZAVY Byl vybrán úsek řeky Sázavy od pramene k uzávěrovému profilu Světlá nad Sázavou (viz obr. 2). Na této části povodí se nacházejí srážkoměrné stanice Světlá nad Sázavou, Humpolec, Habry a Horní Krupá. Plochy přiřazené k srážkoměrným stanicím pro výpočet váženého průměru srážek byly spočítány podle Thiessenových polygonů (tab. 1) Tab. 1 Rozdělení povodí Sázavy podle Thiessenových polygonů (data: ČHMÚ)
3 Název srážkoměrné stanice Plocha spočítaná podle Thiessenových polygonů (km 2 ) Habry 90 Světlá nad Sázavou 134 Horní Krupá 768 Humpolec 246 Celkem 1238 Obr. 2 Povodí Sázavy rozdělené podle Thiessenových polygonů (data: ČHMÚ) Hodinová data byla rozdělena na trénovací množinu ( ) a množinu testovací ( ). Statistická úspěšnost experimentů s neuronovými sítěmi byla spočítána podle koeficientu determinace (EC): EC = (Q Q 2 m p 1 ( 2 (Qm Q) ) ).100 ( % ) (1) kde Q m hodinové naměřené průtoky (m 3.s -1 ) Q p hodinové spočítané průtoky (m 3.s -1 ) Q průměrný naměřený hodinový průtok (m 3.s -1 ) Byly zkoušeny dvě varianty perceptronové neuronové sítě typu s algoritmem zpětného šíření (back propagation). První s předpovědí 1 h dopředu, a to na základě průtoku a srážky v momentu výpočtu, a srážky pro jednohodinovou předpověď. Druhá s předpovědí 2 h dopředu, a to na základě srážek a průtoků v momentě předpovědi, a srážek 2 h dopředu. Data byla do programu upravena v intervalu < 0; 1>. Po zpětném převedení na průtoky v m 3.s -1 byly spočítány koeficienty determinace a sestrojeny výsledné grafy (obr. 3 5).
4 VÝSLEDKY Koeficient determinace u první varianty sítě (1 h předpověď) vychází pro období trénování 99,6 % a pro období testování 96,7 %. U druhé varianty sítě (2 h předpověď) to bylo 99,4 % při tréninku a 82,1 % při testování. Pro ověření spolehlivosti předpovědí je nutné provést další výpočty s různými architekturami sítí. V grafech řada 1 značí naměřené hodnoty a řada 2 hodnoty spočítané. Perceptronová síť Řada1 Řada průtok m3/s Obr. 3 Predikce sítě během trénování 1 h dopředu
5 Perceptronová síť Řada1 Řada průtoky m3/s Obr. 4 Predikce sítě během testování 1h dopředu Perceptron předpověď 2h testování průtok m3/s 30 Řada1 Řada Obr. 5 Predikce sítě 2h dopředu testování POVODÍ PLOUČNICE Na obr. 6 je vymezena část povodí Ploučnice použitá pro naše výpočty, od pramene k městu Mimoň. Plocha povodí je 1193,9 km 2 ; od pramene k Mimoni je to 267,9 km 2, délka toku je 106,2 km. Průtokové poměry na toku jsou vidět v tabulkách 2 a 3. Tab. 2 N-leté průtoky Mimoň (ČHMÚ)
6 m 3.s -1 21, Tab. 3 m-denní průtoky - Mimoň (ČHMÚ) Dny (m) Q průtok [m 3.s -1 ] 4,47 3,29 2,68 2,28 1,98 1,75 1,56 1,39 1,24 1,1 0,96 0,81 0,7 Obr. 6 Část povodí Ploučnice (zdroj: ČHMÚ) A tabulka 4 uvádí výsledky posledních výpočtů na řece Ploučnici se srážko-odtokovými daty za roky Architektura sítě Absolutní chyba- Absolutní chyba-
7 trénování testování 1 h historie dat 3;5; ;10; ;5;2; h historie dat 6;5; ;10; ;5;2; ;10;4; h historie dat 9;5; ;10; ;5;2; ;10;4; Tab. 4 Výsledky modelování na Ploučnici (rok ) VÝSLEDKY Při těchto experimentech jsme počítali s 1 hodinovou historií dat, 2 hodinovou historií dat a 3 hodinovou historií dat. Predikci průtoku jsme počítali 1 hodinu dopředu. Všeobecně, vícehodinová historie dat dává lepší výsledky než 1 hodinová historická data. Také se prokázalo, že 3 hodinová historie vyžaduje více času na učení, jelikož obsahuje více parametrů, které se musí stanovit během učení. Nicméně všechny sítě úspěšně zvládly proces učení u této úlohy. V současnosti probíhají práce na spuštění on-line aplikace přímo na pobočce ČHMÚ v Ústí nad Labem. Spolu s modelem neuronových sítí Bang byl vyzkoušen software Weka (Univerzita Waikata, Nový Zéland). V další práci budeme modely aplikovat na povodí Smědé v Jizerských horách, kde je v současnosti nakalibrovaný srážko-odtokový model Aqualog (ČHMÚ). Modely budou použity na několikahodinové (2, 3, 6 h) predikce průtoků s využitím predikce srážkových úhrnů. Pro vstupní data je využívána aquabáze on-line vstupů ze srážkoměrů a limnigrafů na povodí (ČHMÚ). Poslední výsledky byly prezentovány na konferenci HYDROLOGICAL EXTREMES IN SMALL BASINS, pořádanou Euromediterranean Network of Experimental and Representative Basins (ERB) v Krakově. Článek byl opraven podle pokynů recenzenta a připravuje se k vydání ve sborníku UNESCO, IHF v Paříži. Roman Neruda přednesl přednášku "Computational Intelligence Runoff Modeling by Means of Multi agent Systems" na konferenci CMWR'08 v San Franciscu, , kde uvedl výsledky srážko odtokového modelování. PUBLIKACE 1) BANG V. 3.2 (2004) Home page 2) LIPPMANN, R., P. (1987) An introduction to computing with neural nets. IEEE ASSP Magazine, 4:4-22.
8 3) MINSKY M. L., PAPERT S. A. (1969) Perceptrons. MIT Press, Cambridge MA. 4) NACHÁZEL K., STARÝ M., ZEZULÁK J. (2004) Využití metod umělé inteligence ve vodním hospodářství, Academia Praha 5) NERUDA M., NERUDA R., KUDOVÁ P. (2007) Aplikace umělých neuronových sítí na zvolený úsek povodí Sázavy, Vodní hospodářství č. 4, s ) NERUDA M. (2004) Využití matematických modelů srážko-odtokových procesů k hodnocení retence malých povodí v severních a východních Čechách, disertační práce, Lesnická a environmentální fakulta ČZU v Praze. 7) NERUDA M., NERUDA R., KUDOVÁ P. (2005) Forecasting runoff with Artificial Neural Networks, UNESCO, International Hydrological Programme, Progress in surface and subsurface water studies at plot and small basin scale, 10 th Conference of the Euromediterranean Network of Experimental and Representative Basins (ERB) Turin, Italy, , IHP-VI, No. 77, Paris, France, s ) RUMELHART, D., E., MCCLELLAND, J., L. (1986) Parallel Distributed Processing: Explorations in the Microstructure of Cognition I&II. MIT Press. Cambridge MA. 9) ŠEBLOVÁ H., STARÝ M. (1999) The operative predictions of flood, discharges in the Jihlava River basin. In: Sborník mezinárodní vědecké konference Krajina, meliorace a vodní hospodářství na přelomu tisíciletí, Brno, s ) ŠÍMA J., NERUDA R. (1997) Theoretical issues of neural networks. MatfyzPress, Charles University, Prague (in Czech).
Neuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA
ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA 2 0 1 3 ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ
VíceVYUŽITÍ NÁSTROJŮ GIS PŘI SRÁŽKO-ODTOKOVÉM PŘEDPOVĚDNÍM MODELOVÁNÍ
VYUŽITÍ NÁSTROJŮ GIS PŘI SRÁŽKO-ODTOKOVÉM PŘEDPOVĚDNÍM MODELOVÁNÍ AN USAGE OF GIS TOOLS IN THE RAINFALL-RUNOFF PREDICTION MODELS Martin Neruda 1, Kateřina Fiedlerová 2, Jitka Prchalová 3 1 ÚVOD Zkratka
VíceROZVOJ PŘEDPOVĚDNÍ POVODŇOVÉ SLUŽBY V ČESKÉ REPUBLICE PO POVODNI RNDr. Radek Čekal, Ph.D. RNDr. Jan Daňhelka, Ph.D.
ROZVOJ PŘEDPOVĚDNÍ POVODŇOVÉ SLUŽBY V ČESKÉ REPUBLICE PO POVODNI 2002 RNDr. Radek Čekal, Ph.D. RNDr. Jan Daňhelka, Ph.D. - OBSAH PŘEDNÁŠKY - Hydrologická předpovědní povodňová služba (HPPS) v roce 2002
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceHYDROLOGICKÁ ROČENKA
ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA 2 0 10 JABLONEC NAD NISOU, ČERVENEC 2011 1 ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceMODELOVÁNÍ PLANÁRNÍCH ANTÉN POMOCÍ UMĚLÝCH NEURONOVÝCH SÍTÍ
ÚSTAV RADIOELEKTRONIKY MODELOVÁNÍ PLANÁRNÍCH ANTÉN POMOCÍ UMĚLÝCH NEURONOVÝCH SÍTÍ Pojednání o disertační práci Doktorand: Ing. Zbyněk Raida Školitel: Prof. Ing. Dušan Černohorský, CSc. Brno, duben 2003
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
VíceTestování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceMETEOROLOGICKÉ PŘÍČINY VÝRAZNÝCH POVODNÍ V LETECH 2009 A na vybraných tocích na severu Čech
METEOROLOGICKÉ PŘÍČINY VÝRAZNÝCH POVODNÍ V LETECH 2009 A 2010 na vybraných tocích na severu Čech Martin Novák, ČHMÚ, pobočka Ústí nad Labem Proč zrovna roky 2009 a 2010? 1. Povodně v prvním týdnu července
VíceMETODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ
METODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ PROCESSING METHODOLOGY OF ECONOMIC TIME SERIES USING NEURAL NETWORK SIMULATORS Jindřich Petrucha Evropský polytechnický
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VícePředpověď přívalových povodní Fuzzy model Flash Floods Forecasting Fuzzy Model
Rožnovský, J., Litschmann, T. (eds): Hospodaření s vodou v krajině Třeboň 21. 22. 6. 2018, ISBN 978-80-87361-83-2 Předpověď přívalových povodní Fuzzy model Flash Floods Forecasting Fuzzy Model Petr Janál
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VíceSTŘEDOŠKOLSKÁ ODBORNÁ ČINNOST
STŘEDOŠKOLSKÁ ODBORNÁ ČINNOST VÝVOJ PRŮTOKU V ŘECE JIHLAVĚ V LETECH 1992-2008 Martina Štorová Moravské Budějovice 2010 STŘEDOŠKOLSKÁ ODBORNÁ ČINNOST Obor SOČ: 05. geologie, geografie VÝVOJ PRŮTOKU V ŘECE
VícePREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ
PREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ P. Matušík Evropský polytechnický institut, s.r.o, Osvobození 699, 686 04 Kunovice Abstract Neuronové sítě se v době využívají v řadě vědních
VíceKlíčová slova : malá povodí, využívání půdy, odtokové poměry, čísla odtokových křivek (CN)
VLIV HOSPODAŘENÍ V POVODÍ NA JEHO RETENCI Jana Podhrázská Abstrakt Hydrologické poměry malých povodí jsou ovlivněny mimo jiné zejména způsobem hospodaření na zemědělské půdě. Se změnami politickými jdou
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
Více4 VYHODNOCENÍ MANUÁLNÍCH HYDROLOGICKÝCH PŘEDPOVĚDÍ
4 VYHODNOCENÍ MANUÁLNÍCH HYDROLOGICKÝCH PŘEDPOVĚDÍ Manuální hydrologické předpovědi jsou tradičním produktem předpovědní povodňové služby ČHMÚ. Po zavedení hydrologických modelů jsou nyní vydávány pro
VíceFORTANNS. havlicekv@fzp.czu.cz 22. února 2010
FORTANNS manuál Vojtěch Havlíček havlicekv@fzp.czu.cz 22. února 2010 1 Úvod Program FORTANNS je software určený k modelování časových řad. Kód programu má 1800 řádek a je napsán v programovacím jazyku
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
VíceInteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VícePŘÍSPĚVEK K HODNOCENÍ SUCHA NA JIŽNÍ MORAVĚ
PŘÍSPĚVEK K HODNOCENÍ SUCHA NA JIŽNÍ MORAVĚ Jiří Sklenář 1. Úvod Extrémy hydrologického režimu na vodních tocích zahrnují periody sucha a na druhé straně povodňové situace a znamenají problém nejen pro
VíceŘÍZENÍ NÁDRŽÍ A VODOHOSPODÁŘSKÝCH SOUSTAV V PROSTŘEDÍ MATLAB
ŘÍZENÍ NÁDRŽÍ A VODOHOSPODÁŘSKÝCH SOUSTAV V PROSTŘEDÍ MATLAB Pavel Fošumpaur ČVUT v Praze, Fakulta stavební, Katedra hydrotechniky Příspěvek pojednává o využití MATLAB pro optimalizaci strategického a
VíceČESKÁ REPUBLIKA. www.voda.mze.cz www.voda.env.cz
ČESKÁ REPUBLIKA je vnitrozemský stát ve střední části Evropy, který náleží do oblasti mírného klimatického pásu severní polokoule. Celková délka státních hranic České republiky představuje 2 290,2 km.
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceFiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
VíceModernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení. Jiří Málek
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení Jiří Málek Cíl projektu Cíl: Zefektivnění vzdělávání na ITE* v oblasti strojového učení pomocí posílení dostupné výpočetní
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceNávrhové srážky pro potřeby hydrologického modelování
pro potřeby hydrologického modelování Petr Kavka, Luděk Strouhal, Miroslav Müller et al. Motivace - legislativa Objekty mimo tok nejsou předmětem normy ČSN 75 1400 Hydrologické údaje povrchových vod =>
VíceMetodika pro posuzování akcí zařazených do programu Podpora retence vody v krajině rybníky a vodní nádrže
Metodika pro posuzování akcí zařazených do programu 129 280 Podpora retence vody v krajině rybníky a vodní nádrže Ministerstvo zemědělství Odbor vody v krajině a odstraňování povodňových škod Úvod Posuzování
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceIV. Processing of data and its publication
98 iv. zpracování dat a jejich poskytování veřejnosti IV. Zpracování dat a jejich poskytování veřejnosti IV. Processing of data and its publication The first part of this chapter outlines operational information
VíceČeský hydrometeorologický ústav
Český hydrometeorologický ústav Průvodce operativními hydrologickými informacemi na webu ČHMÚ Vaše vstupní brána do sítě webových stránek Českého hydrometeorologického ústavu, které mají za úkol informovat
VíceKLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
VícePB016 Úvod do umělé inteligence ZÁKLADY Z TEORIE A PRAXE. David Kabáth
PB016 Úvod do umělé inteligence NEURONOVÉ SÍTĚ ZÁKLADY Z TEORIE A PRAXE David Kabáth podzim 2009 1 Úvod Neuronové sítě jsou jedním z výpočetních modelů používaných v umělé inteligenci. Oproti klasické
VíceCHARAKTERISTIKY M-DENNÍCH A MINIMÁLNÍCH PRUTOKŮ POSKYTOVÁNÍ HYDROLOGICKÝCH DAT DLE ČSN HYDROLOGICKÉ ÚDAJE POVRCHOVÝCH VOD
CHARAKTERISTIKY M-DENNÍCH A MINIMÁLNÍCH PRUTOKŮ POSKYTOVÁNÍ HYDROLOGICKÝCH DAT DLE ČSN 75 1400 HYDROLOGICKÉ ÚDAJE POVRCHOVÝCH VOD Ing. Bohuslava Kulasová seminář Novotného lávka, Praha 29. září 2015 HYDROLOGICKÉ
VíceN-LETOST SRÁŽEK A PRŮTOKŮ PŘI POVODNI 2002
N-LETOST SRÁŽEK A PRŮTOKŮ PŘI POVODNI 2002 MARTIN STEHLÍK* * Oddělení povrchových vod, ČHMÚ; e-mail: stehlikm@chmi.cz 1. ÚVOD Povodeň v srpnu 2002 v České republice byla způsobena přechodem dvou frontálních
VíceIV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION
158 IV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION The first part of this chapter outlines operational
VíceVYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU
VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU Luděk ZÁVODNÝ, Stanislav HANUS Ústav radioelektroniky, Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v Brně
VíceLOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA
LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky
Více3. přednáška. Výzkum a měření erozních procesů
3. přednáška Výzkum a měření erozních procesů Erozní výzkum: výzkum slouží k důkladnému poznání a pochopení všech činitelů jejíchž interakcí eroze vzniká a pomáhá tak hledat účinné nástroje pro její zmírnění
VícePopis metod CLIDATA-GIS. Martin Stříž
Popis metod CLIDATA-GIS Martin Stříž Říjen 2008 Obsah 1CLIDATA-SIMPLE...3 2CLIDATA-DEM...3 2.1Metodika výpočtu...3 2.1.1Výpočet regresních koeficientů...3 2.1.2 nalezených koeficientu...5 2.1.3Výpočet
VíceVaV/650/6/03 DÚ 06 Statistická analýza řad maximálních průtoků DÚ 06 Statistical analysis of series of peak discharges
Vliv, analýza a možnosti využití ochranné funkce údolních nádrží pro ochranu před povodněmi v povodí Labe The influence, analysis and possibilities of utilization of the dam protective function for flood
VíceStatistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1
Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceHydrologie (cvičení z hydrometrie)
Univerzita Karlova v Praze Přírodovědecká fakulta Katedra fyzické geografie a geoekologie Hydrologie (cvičení z hydrometrie) Zhodnocení variability odtokového režimu pomocí základních grafických a statistických
VíceIV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION
HYDROLOGICKÁ ROČENKA ČESKÉ REPUBLIKY 2017 163 IV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION The first part of this chapter outlines operational information
VíceIV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION
HYDROLOGICKÁ ROČENKA ČESKÉ REPUBLIKY 2015 153 IV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION The first part of this chapter outlines operational information
VícePodkladová analýza pro následnou realizaci protipovodňových opatření včetně přírodě blízkých protipovodňových opatření v Mikroregionu Frýdlantsko
Podkladová analýza pro následnou realizaci protipovodňových opatření včetně přírodě blízkých protipovodňových opatření A.2. ANALÝZA SOUČASNÉHO STAVU ÚZEMÍ A.2.5. Sestavení srážkoodtokového modelu Povodí
Více4 HODNOCENÍ EXTREMITY POVODNĚ
4 HODNOCENÍ EXTREMITY POVODNĚ Tato část projektu se zabývala vyhodnocením dob opakování kulminačních (maximálních) průtoků a objemů povodňových vln, které se vyskytly v průběhu srpnové povodně 2002. Dalším
VíceADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE
ADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE Oktavián Strádal 1 Anotace: Článek ukazuje použití metod umělé inteligence
VíceEXTRAPOLACE INTENZITNÍCH KŘIVEK PRO ÚČELY MODELOVÁNÍ SRÁŽKOODTOKOVÉHO PROCESU
EXTRAPOLACE INTENZITNÍCH KŘIVEK PRO ÚČELY MODELOVÁNÍ SRÁŽKOODTOKOVÉHO PROCESU P. Ježík Vysoké učení technické v Brně, Fakulta stavební, Ústav vodního hospodářství krajiny, Žižkova 17, 602 00 Brno Abstrakt
VíceACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LIII 12 Číslo 3, 2005 Vybrané aspekty modelování devizového kurzu
VíceGenetické programování 3. část
1 Portál pre odborné publikovanie ISSN 1338-0087 Genetické programování 3. část Macháček Martin Elektrotechnika 08.04.2011 Jako ukázku použití GP uvedu symbolickou regresi. Regrese je statistická metoda
Více5.5 Předpovědi v působnosti RPP České Budějovice Vyhodnocení předpovědí Obr Obr Obr. 5.38
5.5 Předpovědi v působnosti RPP České Budějovice Regionální předpovědní pracoviště v Českých Budějovicích zpracovává předpovědi pro povodí Vltavy po vodní dílo Orlík, tedy povodí Vltavy, Lužnice a Otavy.
VícePříspěvek do konference STČ 2008: Numerické modelování obtékání profilu NACA 0012 dvěma nemísitelnými tekutinami
Příspěvek do konference STČ 2008: Numerické modelování obtékání profilu NACA 0012 dvěma nemísitelnými tekutinami (Numerical Modelling of Flow of Two Immiscible Fluids Past a NACA 0012 profile) Ing. Tomáš
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceIV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION
HYDROLOGICKÁ ROČENKA ČESKÉ REPUBLIKY 2010 131 IV. ZPRACOVÁNÍ DAT A JEJICH POSKYTOVÁNÍ VEŘEJNOSTI IV. PROCESSING OF DATA AND ITS PUBLICATION The fi rst part of this chapter outlines operational information
VíceModelování hydrologických procesů II 3. Parametrizace přímého odtoku. 3. část. HEC-HMS parametrizace přímého odtoku
3. část HEC-HMS parametrizace přímého odtoku Obsah přednášky 1) Direct-Runoff Model výpočet parametrů Clarkova UH doby koncentrace (T c ) pomocí doby prodlení (T lag ) a Storage Coefficient (R c ) 2) Výčet
VíceUčící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
VícePrůvodce informacemi pro odbornou vodohospodářskou veřejnost
Průvodce informacemi pro odbornou vodohospodářskou veřejnost Povodně představují nejvýznamnější přírodní riziko na území České republiky. Svědčí o tom nejen známé povodňové události z moderní doby, ale
Více3. Srovnání plošných srážek a nasycenosti povodí zasažených srážkami v srpnu 2002 a červenci 1997
3. Srovnání plošných srážek a nasycenosti povodí zasažených srážkami v srpnu 2 a červenci 1997 3.1. Hodnocení plošných srážek Analýza rozložení i množství příčinných srážek pro povodně v srpnu 2 a v červenci
VíceUŽIVATELSKÁ DOKUMENTACE VEŘEJNÝ INFORMAČNÍ PORTÁL (VIP)
Objednatel Povodí Moravy, s.p. Poskytovatel VARS BRNO a.s. Projekt Automatizace výměny krizových dat v hydrologické oblasti Povodí Moravy a Dyje UŽIVATELSKÁ DOKUMENTACE VEŘEJNÝ INFORMAČNÍ PORTÁL (VIP)
VíceNESTABILITY VYBRANÝCH SYSTÉMŮ. Úvod. Vzpěr prutu. Petr Frantík 1
NESTABILITY VYBRANÝCH SYSTÉMŮ Petr Frantík 1 Úvod Úloha pokritického vzpěru přímého prutu je řešena dynamickou metodou. Prut se statickým zatížením je modelován jako nelineární disipativní dynamický systém.
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
VíceHYDROLOGICKÁ ROČENKA
ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA 2 0 0 6 JABLONEC NAD NISOU, BŘEZEN 2007 ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ
Více3 Bilanční posouzení srážek a odtoku
3 Bilanční posouzení srážek a odtoku 3.1 Posouzení nasycenosti povodí před první a druhou vlnou povodně Pro nepřímé posouzení nasycenosti povodí a jeho schopnosti absorbovat další srážky se používá tzv.
VícePUDIS a.s., Nad Vodovodem 2/3258, Praha 10 tel.: , fax: ,
Tento projekt je spolufinancován z Evropského fondu pro regionální rozvoj prostřednictvím Euroregionu NISA EVROPSKÁ UNIE "PŘEKRAČUJEME HRANICE" MĚSTO ŽELEZNÝ BROD Náměstí 3. května 1, PSČ 468 22, IČ 00262633
VíceMěření hodnoty g z periody kmitů kyvadla
Měření hodnoty g z periody kmitů kyvadla Online: http://www.sclpx.eu/lab2r.php?exp=8 Úvod Při určení hodnoty tíhové zrychlení z periody kmitů kyvadla o délce l vycházíme ze známého vztahu (2.4.1) pro periodu
VíceGENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková
GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS Roman Bisup, Anna Čermáová Anotace: Příspěve se zabývá prezentací principů učení jednoho onrétního typu neuronových sítí. Cílem práce
VíceVYHODNOCENÍ SRÁŽKOVÝCH PŘEDPOVĚDÍ ALADIN A GFS PRO POVODÍ BĚLÉ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA Hornicko-geologická fakulta Institut geoinformatiky VYHODNOCENÍ SRÁŽKOVÝCH PŘEDPOVĚDÍ ALADIN A GFS PRO POVODÍ BĚLÉ Referát Autor: Vedoucí diplomové práce:
VícePovodeň na jaře 2006 & Předpovědní povodňová služba ČHMÚ
Český národní výbor pro omezování katastrof ČHMÚ, Praha, 28.2. 2007 Povodeň na jaře 2006 & Předpovědní povodňová služba ČHMÚ RNDr. Jan Daňhelka, Ph.D. Oddělení hydrologických předpovědí Centrální předpovědní
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
Více26 NÁVRH NA ODTĚŽENÍ A ULOŽENÍ NAPLAVENIN NA VTOKU DO VODNÍHO DÍLA DALEŠICE
26 NÁVRH NA ODTĚŽENÍ A ULOŽENÍ NAPLAVENIN NA VTOKU DO VODNÍHO DÍLA DALEŠICE Tereza Lévová Vysoké učení technické v Brně Fakulta stavební Ústav vodních staveb 1. Problematika splavenin - obecně Problematika
VíceKompromisy při zpracování a hodnocení výsledků hydraulických modelů na příkladu hodnocení vodního zdroje Bzenec komplex
Kompromisy při zpracování a hodnocení výsledků hydraulických modelů na příkladu hodnocení vodního zdroje Bzenec komplex 29.3.2017 Jablonné nad Orlicí Matematické modelování (obecně hydrogeologie) ve svých
VíceProjekt Brána do vesmíru. Hvězdárna Valašské Meziříčí, p. o. Krajská hvezdáreň v Žiline
Projekt Brána do vesmíru Hvězdárna Valašské Meziříčí, p. o. Krajská hvezdáreň v Žiline Český hydrometeorologický ústav pobočka Ostrava Hlavní obory činnosti ČHMÚ Meteorologie a klimatologie Ochrana
VíceUNIVERZITA KARLOVA Přírodovědecká fakulta. Hydrometrie. Hodnocení variability odtokového režimu pomocí základních grafických a statistických metod
UNIVERZITA KARLOVA Přírodovědecká fakulta Hydrometrie Hodnocení variability odtokového režimu pomocí základních grafických a statistických metod (cvičení z hydrologie) 12.4.26 Pavel Břichnáč 1.ročník.
VíceVliv Mosteckého jezera na teplotu a vlhkost vzduchu a rychlost větru. Lukáš Pop Ústav fyziky atmosféry v. v. i. AV ČR
Vliv Mosteckého jezera na teplotu a vlhkost vzduchu a rychlost větru Lukáš Pop Ústav fyziky atmosféry v. v. i. AV ČR Motivace a cíle výzkumu Vznik nové vodní plochy mění charakter povrchu (teplotní charakteristiky,
VíceVyužití profilových manuálních a automatických měření sněhu pro výpočet zásob vody ve sněhové pokrývce
Využití profilových manuálních a automatických měření sněhu pro výpočet zásob vody ve sněhové pokrývce Šimon Bercha ČHMÚ Praha, bercha@chmi.cz J. Jirák, L. Ducháček, V. Vajskebr, J. Pobříslová Jablonec
VíceEkologická zranitelnost v povodí horní Nisy Ökologische Vulnerabilität im Einzugsgebiet der Oberen Neiße
Ekologická zranitelnost v povodí horní Nisy Ökologische Vulnerabilität im Einzugsgebiet der Oberen Neiße ČVUT v Praze, Fakulta stavební Katedra hydromeliorací a krajinného inženýrství Zranitelnost vulnerabilita.
VíceObr Průběh povodňové vlny na Dyji nad a pod nádrží Vranov
Obr. 4.46 Průběh povodňové vlny na Dyji nad a pod nádrží Vranov Obr. 4.47 Vývoj povodňové vlny na středním a dolním toku Dyje B57 5 BILANČNÍ POSOUZENÍ PROTEKLÉHO OBJEMU, OBJEMU VODY ZE SRÁŽEK A TÁNÍ SNĚHOVÉ
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceHistorie povodní na JM a povodňové škody
Historie povodní na JM a povodňové škody 1 Jak předcházet povodňovým škodám Ing. Iva Jelínková Povodí Moravy, s.p. jelinkovai@pmo.cz Protipovodňová opatření Povodeň přirozený hydrologický jev, který je
VíceMartin Hanel DOPADY ZMĚN KLIMATU NA NEDOSTATKOVÉ OBJEMY A MOŽNOST JEJICH KOMPENZACE POMOCÍ TECHNICKÝCH OPATŘENÍ
Martin Hanel DOPADY ZMĚN KLIMATU NA NEDOSTATKOVÉ OBJEMY A MOŽNOST JEJICH KOMPENZACE POMOCÍ TECHNICKÝCH OPATŘENÍ OSNOVA (1) Probíhající změny klimatu a jejich vliv na hydrologickou bilanci (2) Aktualizace
Více