HOW WILL TECHNOLOGICALLY ENHANCED INDIVIDUALS
COLLABORATE WITH “NORMAL” EMPLOYEES?
The “Human Singularity” refers
to the radical fusion of the human
body with technology to
achieve levels of mental acuity and
physical ability that eclipse anything
humans have previously known.
This would represent a singular
event in human history: For the first
time, people would be driven by
laws other than those governing organic
life
Evidence-based mock proposal to refurbish a poor urban neighborhood park to encourage community members to meet the Surgeon General's recommended minimum physical activity of 30 min. for 5 days/week.
HOW WILL TECHNOLOGICALLY ENHANCED INDIVIDUALS
COLLABORATE WITH “NORMAL” EMPLOYEES?
The “Human Singularity” refers
to the radical fusion of the human
body with technology to
achieve levels of mental acuity and
physical ability that eclipse anything
humans have previously known.
This would represent a singular
event in human history: For the first
time, people would be driven by
laws other than those governing organic
life
Evidence-based mock proposal to refurbish a poor urban neighborhood park to encourage community members to meet the Surgeon General's recommended minimum physical activity of 30 min. for 5 days/week.
2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
crnolatac_antun_gfos_2015_diplo_sveuc
1. SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA
U OSIJEKU
GRAĐEVINSKI FAKULTET OSIJEK
DIPLOMSKI RAD
Osijek, rujan 2015. godine Antun Crnolatac
2. SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA
U OSIJEKU
GRAĐEVINSKI FAKULTET OSIJEK
DIPLOMSKI RAD
TEMA: OPTIMALIZACIJA HIDROTEHNIČKOG SUSTAVA
POMOĆU NEURALNIH MREŽA
THEME: OPTIMIZATION HYDROPOWER SYSTEM USING
THE NEURAL NETWORKS
Osijek, rujan 2015.godine Antun Crnolatac
3. SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA
U OSIJEKU
GRAĐEVINSKI FAKULTET OSIJEK
ZNANSTVENO PODRUČJE: TEHNIČKE ZNANOSTI
ZNANSTVENO POLJE: GRAĐEVINARSTVO
ZNANSTVENA GRANA: HIDROTEHNIKA
TEMA: OPTIMALIZACIJA HIDROTEHNIČKOG SUSTAVA POMOĆU
NEURALNIH MREŽA
PRISTUPNIK: ANTUN CRNOLATAC
NAZIV STUDIJA: SVEUČILIŠNI DIPLOMSKI STUDIJ
TEKST ZADATKA:
U svrhu boljeg upravljanja hidrotehničkim sustavom optimalizirati parametre
upravljanja primjenom neuralnih mreža.
Rad treba sadržavati SAŽETAK na izvornom jeziku.
Rad treba izraditi u 3 primjerka ( original + 2 kopije) tvrdo ukoričena u A4 formatu i
cjelovitu elektroničku datoteku na CD-u.
Osijek, 19.06.2015.
Mentorica: Predsjednica Odbora za
završne i diplomske ispite:
_____________________ ______________________
Doc.dr.sc. Marija Šperac, dipl.ing.građ Izv.prof.dr.sc. Mirjana Bošnjak-Klečina, dipl.ing.građ
4. SAŽETAK
U svrhu boljeg upravljanja hidrotehničkim sustavom potrebno je optimalizirati
dobivene parametre hidrološke postaje Donji Miholjac C.S., primjenom neuralnih
mreža. Neuralne mreže se mogu usporediti sa umjetnom inteligencijom. Umjetna
inteligencija je termin koji se dodaje svakom neživom sustavu koji ima sposobnost
snalaženja u novim situacijama. Za rad s neuralnim mrežama korišten je računalni
program Weka. Programom je obrađena povezanost oborine i protoka na postaji Donji
Miholjac. Ulazni podaci su bili izmjerene vrijednosti oborina od strane DHMZ – a, a
izlazne vrijednosti su bili protoci hidrološke postaje Donji Miholjac, C.S.
Računalni program Weka ostvaruje više različitih oblika algoritama korištenih za
predviđanja, kao što su stabla odluke, pravila klasifikacije, neuronske mreže i slično.
Nudi optimalno rješenje s pripadajućim modelom koji predstavlja izbor najpovoljnijeg
upravljanja, a što ne znači da mora biti optimalno po svim kriterijima.
Optimalizacijski model mora imati analitički definiranu funkciju cilja, u okviru
sasvim jasno definiranih kriterija za vrednovanje svake upravljačke odluke.
Rezultati koji se dobiju putem neuronskih mreža prikazuju koliko pojedini parametar
utječe na uspješnost pojedine neuronske mreže. Predviđanje rezultata na dnevnoj bazi
pruža znatno veće mogućnosti u svrhu zaštite od poplava. Upravo iz tog razloga je
potrebno konstantno praćenje i mjerenje vodotoka, da se može pravilno intervenirati u
slučaju takvih prirodnih katastrofa. Mogućnost predviđanja poplava se sve više
povećava i olakšava s obzirom na to kako tehnologija i znanost sve više napreduje.
Poplave su svuda u svijetu, pa tako i u Hrvatskoj sve učestalije, intenzivnije i
opasnije. Ne mogu se spriječiti, ali se poduzimanjem učinkovitih, preventivnih i
operativnih mjera njihove štetne posljedice mogu značajno ublažiti.
5. SUMMARY
For the purpose of better management of water development projects it is
necessary to optimize the parameters obtained by hydrological station Donji Miholjac
CS, with the application of neural networks. Neural networks could compare with
artificial intelligence. Artificial intelligence is a term that is added to each non-living
system that has the ability to cope with new situations. To work with neural networks
we used a computer program Weka.
A computer program Weka achieves more different forms of algorithms used for
prediction, such as decision trees, classification rules, neural networks, etc... It offers
us the optimal solution with the corresponding model which is a selection of the best
management, which does not mean it has to be optimal by any standards. The
optimization model must be analytically defined objective function within clearly
defined criteria for the evaluation of each management decision.
The results obtained by neural networks give us display how individual parameter
affects the performance of individual neural networks. Prediction results on a daily
basis provides a significantly greater potential to protect against flooding. For this
reason, it takes constant monitoring and measurement of water flow, that it can
properly respond to such natural disasters. The ability to predict floods is on the
increase and facilitate with regard to how technology and science are increasingly
advancing. Floods are everywhere in the world, including Croatia and more frequent,
more intense and more dangerous. It can not be prevented, but the taking of effective,
preventive and operational measures of their harmful effects can be significantly
mitigated.
6. SADRŽAJ
1. UVOD........................................................................................................................1
2. OPTIMALIZACIJSKE METODE ............................................................................3
3. NEURALNE MREŽE ...............................................................................................5
3.1 Dosadašnji razvoj neuralnih mreža.........................................................................5
4.SUSTAV ZAŠTITE OD POPLAVE U REPUBLICI HRVATSKOJ ......................12
4.1. Poplave..................................................................................................................12
4.2. Uređenje sustava zaštite od poplava za područje rijeke Drave.............................12
4.3. Sustav zaštite od poplava u RH ............................................................................16
4.4. Stadiji obrane od poplava......................................................................................19
4.5. Najčešći načini zaštite od poplava na području rijeke Drave ...............................24
4.5.1. Dugoročna rješenja zaštite od poplava – nasipi ............................................25
4.5.2. Privremena rješenja zaštite od poplava – vreće punjene pijeskom ................28
5. REGULIRANJE TOKA RIJEKE DRAVE U SVRHU ZAŠTITE OD POPLAVA33
6. SUSTAV ZAŠTITE OD POPLAVA NA SLIVU RIJEKE DRAVE......................38
7. HIDROLOŠKA POSTAJA DONJI MIHOLJAC....................................................41
7.1. Karakteristični parametri građevine......................................................................42
7.2. Karakteristični hidrološki parametri .....................................................................44
8. ODREĐIVANJE PROTOKA NA HIDROLOŠKOJ STANICI DONJI MIHOLJAC
C.S. POMOĆU NEURALNIH MREŽA .....................................................................48
8.1. PROGRAMSKI PAKET WEKA ZA ODREĐIVANJE PROTOKA ..................48
8.2. PRORAČUN PROTOKA POMOĆU NEURALNE MREŽE..............................49
9. ZAKLJUČAK..........................................................................................................60
10. LITERATURA ......................................................................................................62
7. 1
1. UVOD
Predmet ovog diplomskog rada je korištenje umjetne inteligencije za
optimalizaciju hidrotehničkog sustava putem neuronskih mreža, te analiziranje
utjecaja pojedinih značajki na gradove, ljude i populacije koje su u njima nalaze te na
okoliš. Neuronske mreže se primjenjuju kao jedna od metoda umjetne inteligencije jer
su pogodne za rješavanje problema velikog prostora ulaznih podataka, te velikog
prostora pretraživanja rješenja. Rezultati koji se dobiju putem neuronskih mreža
prikazuju koliko pojedini parametar utječe na uspješnost pojedine neuronske mreže.
Povećanjem populacije pa tako i broja stanovnika u gradovima dolazi do potrebe za
što točnijim upravljanjem vodom. Nužan preduvjet za provedbu Strategije upravljanja
vodama su postupne organizacijske prilagodbe i sustavno jačanje stručnih kapaciteta
na nacionalnoj, regionalnoj i lokalnoj razini. Voda tako može postati ograničavajući
čimbenik razvoja te prijetnja ljudskom zdravlju i održivosti prirodnih ekosustava.
Stoga je za svako društvo posebno važno da uravnoteži te odnose i osmisli politiku i
strategiju uređenja, iskorištavanja i zaštite vodnih resursa. Pojavljuje se sve više
vodno gospodarskih aktivnosti usmjerenih za korištenje voda, zaštitu od onečišćenja
te štetnog djelovanja kao što je poplava. Upravo iz tih razloga dolazi do porasta
stručnih ljudi tj. sve većeg broja inženjera i znanstvenika koji neprestano usavršavaju
svoja znanja vezana uz vodu, poplave, zaštitu od onečišćenja, te regulaciju vodotoka.
Regulacije prirodnih vodotoka su skup gradnji i mjera kojima se mijenjaju
prirodne osobine na vodotoku i njegovom slivnom području radi:
što racionalnijeg korištenja voda,
što efikasnije zaštite od štetnog djelovanja voda iz vodotoka i
što efikasnije zaštite vodotoka od zagađenja.
Regulacije vodotoka bave se i uređenjem korita vodotoka (morfološke regulacije) i
promjenom vodnih količina koje prolaze vodotocima (regulacije vodnoga režima).
Svi dijelovi vodotoka mogu biti obuhvaćeni regulacijom. Danas je sve veći broj ljudi
naseljen u blizini vodotoka pa stoga sušno ili poplavno razdoblje često sa sobom nosi
i veliku štetu za ljudske zajednice koje su naseljene u takvim područjima.
8. 2
Mogućnost predviđanja poplava se sve više povećava i olakšava s obzirom na to kako
tehnologija i znanost sve više napreduje. Uz sve instrumente koji danas postoje vrlo je
bitno da se zna točni vodostaj određene rijeke ili vodotoka. Potrebna je konstantna
želja za napredovanjem, praćenjem trendova te prilagođavanje prirodi koja se u
zadnjih desetak godina drastično promijenila. Poplave su svuda u svijetu, pa tako i u
Hrvatskoj sve učestalije, intenzivnije i opasnije. Ne mogu se spriječiti, ali se
poduzimanjem učinkovitih preventivnih i operativnih mjera njihove štetne posljedice
mogu značajno ublažiti. Hrvatska ima dugu tradiciju i velika iskustva u zaštiti od
poplava i drugih oblika štetnog djelovanja voda, a njenim stručnjacima različitih
profila koji se bave takvim poslovima predstoje veliki izazovi zbog stalnog
intenziviranja hidroloških ekstrema uslijed evidentnih klimatskih promjena.
9. 3
2. OPTIMALIZACIJSKE METODE
Optimalizacijske metode su one metode koje omogućavaju eksplicitno određivanje
upravljački najpovoljnije odluke, na temelju jasno definiranih ciljeva, a u skladu s
definiranim kriterijima za vrednovanje i zadanim ograničenjima. Optimalizacijski
model mora imati analitički definiranu funkciju cilja, u okviru sasvim jasno
definiranih kriterija za vrednovanje svake upravljačke odluke (npr. za neku postojeću
akumulaciju funkcija cilja bi mogla biti osiguranje što većih količina voda za
navodnjavanje, maksimalna dobit od proizvedene električne energije i slično).
Optimalno rješenje predstavlja izbor najpovoljnijeg upravljanja, a to ne znači da mora
biti optimalno po svim kriterijima.
Tijekom planiranja složenih hidrotehničkih i vodno gospodarskih sustava može se
postići optimum za pojedine podsustave ili pod probleme. No, optimalizacija na toj
razini ne garantira ostvarenje ciljeva sustava kao cjeline, već mogu da naruše i
realizaciju nekih od ključnih ciljeva sustava kao cjeline (npr. izgradnja sustava za
navodnjavanje kao optimalnog rješenja podsustava mogla bi onemogućiti realizaciju
ciljeva snabdijevanja vodom za potrebe vodoopskrbe stanovništva). Zato se do
optimalnog rješenja složenog sustava ne može doći sumiranjem optimuma pojedinih
podsustava. Zbog toga je suboptimalno rješenje cjeline, u pravilu, bolje od sume
optimuma podsustava. Do prihvatljivih rješenja složenih sustava dolazi se iterativno,
kroz postupno popravljanje suboptimuma.
Suboptimalno rješenje je fazno rješenje do kojeg se došlo preko uprošćenih modela.
To je rješenje koje se još uvijek može popravljati u narednim fazama planiranja i
boljeg sagledavanja procesa u sustavu i okruženju. U procesu rješavanja, cilj je
optimalizirati cijeli sustav kroz optimalizaciju podsustava, vodeći računa o važnosti
svakog podsustava u odnosu na postavljene ciljeve.
U postupku optimalizacije vodno gospodarskih sustava rješavanje problema je
moguće svrstati u dva tipa zadataka:
10. 4
• Zadaci optimalne analize sustava - slučaj kada za poznatu konfiguraciju sustava i
parametre vodno gospodarskog sustava treba naći optimalno upravljanje sustavom –
rješavaju se problemi eksploatacije gotovih postojećih sustava.
• Zadaci optimalne sinteze – slučaj kada treba naći optimalnu konfiguraciju sustava i
optimalne fizičke parametre sustava za optimalno upravljanje – rješavamo probleme
projektiranja novih sustava.
Zadaci sinteze su znatno složeniji jer se za optimalno upravljanje moraju odrediti i
optimalna konfiguracija sustava i optimalni parametri sustava, za razliku od zadataka
analize gdje se određuje samo optimalno upravljanje. Za svako optimalno rješenje
podrazumijeva se da je poznato:
• s kojim se ciljevima pristupilo optimalizaciji
• po kojem kriteriju je dano rješenje optimalno
• koja su ograničenja sustava uzeta u postupku optimalizacije.
11. 5
3. NEURALNE MREŽE
Neuralne mreže su jedna od tehnika i metoda umjetne inteligencije (engl. artifical
intelligence – AI) koje nastoje oponašati način rada biološkoga mozga i putem
senzora reagirati na okolinu (robotika), metodama rukovanja simbolima kreirati
modele koji omogućuju obradu znanja na temelju pravila (ekspertni sustavi i dr.).
Također mogu provoditi inteligentna izračunavanja (umjetne neuronske mreže,
genetski algoritmi i slično). Neuralne mreže se mogu usporediti sa umjetnom
inteligencijom. Umjetna inteligencija je termin koji se dodaje svakom neživom
sustavu koji ima sposobnost snalaženja u novim situacijama. Umjetna inteligencija ili
ekspertni sustavi koriste prethodno stečena znanja i na temelju toga dobivaju se novi
zaključci. Osnovna zadaća umjetne inteligencije je da „zamijeni“ čovjeka u raznim
situacijama gdje je opasno, neizvedivo ili neisplativo izvoditi bilo koje radnje.
Umjetna inteligencija stvara bazu podataka preko kojih se raspolaže te se donose
zaključci.
3.1 Dosadašnji razvoj neuralnih mreža
Umjetna inteligencija nastala je u četrdesetim godinama prošlog stoljeća i
povezuje se uz razvoj suvremenog računalstva. Unatoč tome što je prilično nova
znanstvena disciplina, naslijedila je mnoge zamisli, pristupe i tehnike iz drugih
disciplina: filozofije, matematike, logike, psihologije, a kod primjene modeliranja
neuronskih mreža čak i iz biologije. Početna godina razvoja metoda umjetne
inteligencije obično se smatra 1943. Tada su MacCulloch i Pitts (1943.) na temelju
Jamesovih (1890.) postavki u radu „Logički račun ideja svojstvenih aktivnosti živaca“
o djelovanju čovjekova mozga postavili jednostavan model umjetnoga neurona. Naziv
„umjetna neuronska mreža“ koristi se da bi se opisale različite topologije u visokom
stupnju međusobno jednostavnih procesnih elemenata (neurona) koje nude drugačiji
pristup (paralelno procesiranje) uvriježenom pristupu računarstva. Osnovne prednosti
neuroračunala nad klasičnim su masovni paralelizam pri procesiranju informacija,
prilagodljivost i sposobnost učenja.
Neuronske mreže su metoda umjetne inteligencije nadahnuta i sastavljena prema
ljudskom mozgu. Sličnost između bioloških i umjetnih neuronskih mreža ogleda se u
načinu procesuiranja informacija. Biološki neuron (slika 3.1.) predstavlja živčanu
12. 6
stanicu koja prima informacije (ulazni signali u vidu električnih podražaja) od drugih
neurona putem dendrita i obrađuje ih. Ovisno o ukupnom intenzitetu podražaja i pragu
osjetljivosti, živčana stanica relaksira ili zadrži električni naboj. Stanica šalje svoj
impuls putem aksona (izdanak tijeka živčane stanice kojim se prenosi podražaj) i
sinapsi (mostovi između izdanaka aksoma i dendrita) drugim okolnim stanicama.
Učenje se odvija promjenom jačine sinaptičkih veza. Pritom milijuni neurona u mreži
mogu paralelno obrađivati informacije, a procjenjuje se da je broj mogućih veza
između stanica za tri reda veličine veći od broja neurona.
Slika 3.1. Shematski prikaz biološkoga neurona
Umjetni neuron oponaša osnovno djelovanje biološkoga neurona. Tijelo biološkoga
neurona zamjenjuje se sumatorom, ulogu dendrita preuzimaju ulazi u sumator, izlaz
sumatora je aksom umjetnog neurona, a uloga praga osjetljivosti bioloških
osjetljivosti preslika se na tzv. aktivacijske funkcije (slika 3.2.).
Slika 3.2. Struktura jednostavnoga umjetnoga neurona po modelu MacCulloch i Pittsa
13. 7
Funkcijske sinaptičke veze biološkoga neurona s njegovom okolinom preslikavaju se
na težinske faktore, preko kojih se ostvaruje veza umjetnoga neurona s njegovom
okolinom. Dakle, izlazi iz drugih neurona i/ili okruženja promatranoga neurona, koji
se upućuju neuronu množe se težinskim faktorima. Težinski faktori rade isto ono što i
sinapse kod biološkog neurona – povezuju izlaze iz okoline neurona, odnosno izlaze
drugih neurona (aksona) s ulazima sumatora (dendriti). Intenzitet te veze ovisi o
iznosu, a značajke veze o predznaku težinskoga faktora. Učenje se odvija promjenom
vrijednosti „težina“ među varijablama (težine wji su ponderi kojima se množe ulazne
vrijednosti u neki „neuron“).
Sumator formira težinsku sumu svih ulaza. Njegov se izlaz povezuje na ulaz
aktivacijske funkcije koja limitira amplitudu izlaznog signala neurona, a koja na svom
izlazu producira izlaz umjetnog neurona. Iako mogu biti i linearne, aktivacijske
funkcije su najčešće nelinearne, primjerice tipa diskontinuitetnoga praga, složena
aktivacijska funkcija s linearnim dijelovima, sigmoidalna, bipolarna i druge.
Nelinearne aktivacijske funkcije prevode izlaz sumatora na izlaz neurona preko
nelinearnog pojačanja i dovode do sumatora koji na temelju dobivenih informacija
generira izlaz. Ukoliko je izlaz sumatora veći od nekoga zadanog broja (praga
osjetljivosti), izlaz je jedinica što odgovara ispaljivanju signala kod biološkoga
neurona. U suprotnom je izlaz neutrona nula – neuron nije aktivan.
Prva neuronska mreža napravljena je 1958. godine (Rosenblatt) na temelju zamisli
perceptrona – umjetnoga neurona kojemu je aktivacijska funkcija u obliku praga
osjetljivosti. No, desetak godina kasnije Minsky i Papert (1969.) objavljuju rad u
kojem oštro kritiziraju nedostatke perceptrona, što uzrokuje prestanak ulaganja u
istraživanja neuronskih mreža. Ipak, šest godina kasnije javlja se višeslojna
perceptronska mreža (Werbos, 1974.) (slika 3.3).
14. 8
Slika 3.3. Prikaz strukture i koncepta višeslojne perceptronske mreže
Ona predstavlja prvu verziju tzv. backpropagation mreže koja prevladava nedostatak
perceptrona uvođenjem učenja u skrivenome sloju. No, Rumehallt i sur. (1986.)
usavršavaju backpropagation mrežu, čime se vraća ugled neuronskim mrežama jer
time omogućuje aproksimiranje gotovo svih funkcija i rješavanje praktičnih problema.
Otada se razvijaju brojni algoritmi za neuronske mreže koji s pomoću različitih
pravila učenja, ulaznih i izlaznih funkcija rješavaju probleme predviđanja,
klasifikacije i prepoznavanja uzoraka.
Na slici 3.3 vidljiv je strukturni prikaz višeslojne perceptronske mreže. Sastoji se od
više slojeva međusobno povezanih procesnih elemenata – čvorova ili neurona. Svi su
čvorovi potpuno povezani – svaki neuron u svakom sloju povezan je sa svim
čvorovima prethodnoga sloja. Ulazni signal pobuđuje ulazni dio mreže, te se dalje,
prolazeći kroz pojedine neurone, širi do izlaza preuzimajući funkciju pojedinih
izračuna funkcija ulaza i pripadajućih težina pridruženih tom neuronu. Na izlazu iz
mreže obavlja korisnu funkciju, zbog čega se često naziva i funkcijski signal.
Suprotan smjer putovanja ima signal pogreške koji se javlja kod izlaznoga čvora
mreže i širi unatrag kroz pojedine slojeve. Naziva se signal pogreške zato što se
njegov izračun u svakom neuronu temelji na nekom od oblika funkcije pogreške.
Svaki skriveni sloj višeslojnoga perceptrona obavlja dvije vrste izračuna – izračun
funkcijskoga signala koji se pojavljuje na njegovu izlazu, izražen u obliku
15. 9
kontinuirane nelinearne funkcije ulaznoga signala i sinaptičkih težina pridruženih tom
neuronu te izračun procjene gradijenta pogreške u odnosu na težine povezane s
ulazima neurona, a što je potrebno pri prolasku signala pogreške unatrag kroz mrežu.
Velik doprinos za razvoj višeslojnih neuronskih mreža dao je ruski matematičar
Kolmogorov (1963.) na primjeru troslojne neuronske mreže. U svom poznatom
teoremu egzistencije dokazao je mogućnost aproksimacije mnogo dimenzijskih
nelinearnih funkcija putem neuronskih mreža, i to korištenjem jednodimenzionalnih
nelinearnih prijenosnih – transfer funkcija. Time je ostvarena mogućnost da se
razvojem višeslojnih neuronskih mreža mogu opisivati i vrlo različiti prirodni procesi
koji imaju naglašenu nelinearnost.
Princip učenja neuronskih mreža je takav da im se „pokazuju“ primjeri i rješenja tih
primjera. Računalo na temelju „treniranja“ u tim situacijama automatski može
generirati iskustvena pravila, odnosno iterativnim putem stvoriti model postupnim
učenjem prethodnih podataka. U praksi to znači da je pri modeliranju nekog procesa
nužno dio raspoloživih podataka iskoristiti za učenje mreže, a dio obično oko 10 – 20
% iskoristiti za evaluaciju modela dobivenoga primjenom tako naučenih mreža.
Osnovni element svake neuronske mreže čini neuron čiji je model prikazan na slici
3.4.. Njegovi osnovni elementi su:
1. Skup sinaptičkih težina (wij),
2. Sumator čija je funkcija oblikovati težinsku sumu ulaza,
3. Aktivacijska funkcija koja limitira amplitudu izlaznoga signala neurona.
Slika 3.4. Osnovni nelinearni model neurona
16. 10
Osnovni izrazi za takav tip modela su izrazi (3-1) i (3-2). Izraz (3-1) odnosi se na
sumu umnožaka ulaza neurona i pripadajućih težinskih faktora veza, dok izraz (3-2)
daje vrijednost izlazne vrijednosti neurona ovisno o rezultatu odnosa ulaznih impulsa
na sumatoru, te o veličini praga, tipu i značajkama aktivacijske funkcije.
(3-1)
(3-2)
Grupiranjem pojedinačnih neurona u slojeve dolazi se do višeslojne mreže s
prostiranjem signala unaprijed, a pogreške unatrag (slika 3.5.).
Slika 3.5. Shema višeslojne mreže s prostiranjem signala unaprijed, a pogreške unatrag
Neuronske mreže tijekom posljednjeg desetljeća sve više postaju nezaobilazan alat u
rješavanju brojnih problema pa se tako i neki vodno gospodarski problemi nastoje
riješiti primjenom neuronskih mreža. Za sada je to uglavnom istraživačko područje
njihove primjene, posebno što se tiče hidrologije i upravljanja vodnim zalihama u
kršu. Neuralne mreže su sve dostupnije u svijetu tehnologije, njihova praktičnost čini
ih idealnim za postepeno modularno ugrađivanje u postojeće sustave. Svedene su na
mali čip te se na taj način olakšava ugradnja u fizičke naprave.
17. 11
Svojstva neuralnih mreža su:
tolerancija greške koja ima dva različita aspekta, prvi se očituje u odnosu na
podatke, dok se drugi očituje u odnosu na rad,
što se tiče rada u realnom vremenu, ono daje mogućnost da se trenutno reagira,
istog trena krene u rješavanje danog problema te je to najbolja opcija za
prepoznavanje i klasifikaciju,
jednostavnost ugradnje u postojeću tehnologiju.
Umjetne neuronske mreže će zbog svojih prednosti (jednostavnog načina opisivanja i
prognoze nelinearnih procesa) u budućnosti sve više pronalaziti primjenu i u vodnome
gospodarstvu.
18. 12
4.SUSTAV ZAŠTITE OD POPLAVE U REPUBLICI HRVATSKOJ
4.1. Poplave
Poplava je pojava neuobičajeno velike količine vode na određenom mjestu zbog
djelovanja prirodnih sila (velika količina oborina) ili drugih uzroka kao što su
propuštanje brana, ratna razaranja i slično.
Prema uzrocima nastanka poplave se mogu podijeliti na:
poplave nastale zbog jakih oborina,
poplave nastale zbog nagomilavanja leda u vodotocima,
poplave nastale zbog klizanja tla ili potresa,
poplave nastale zbog rušenja brane ili ratnih razaranja.
S obzirom na vrijeme formiranja vodnog vala poplave se mogu razvrstati na:
mirne poplave - poplave na velikim rijekama kod kojih je potrebno deset i više
sati za formiranje velikog vodnog vala,
bujične poplave - poplave na brdskim vodotocima kod kojih se formira veliki
vodni val za manje od deset sati,
akcidentne poplave - poplave kod kojih se trenutno formira veliki vodni val
rušenjem vodoprivrednih ili hidroenergetskih objekata.
Nositelj obrane od poplave u Republici Hrvatskoj je Državna uprava za vode, a
pravna osoba za upravljanje svim vodama na području države su Hrvatske vode.
4.2. Uređenje sustava zaštite od poplava za područje rijeke Drave
Rijeka Drava u Hrvatskoj ubraja se među najsačuvanije rijeke Europe, ali brojni
dijelovi toka rijeke Drave nisu izbjegli ljudskim aktivnostima čije se posljedice u
prošlosti nisu smatrale važnim, problematičnim niti od većeg utjecaja za normalno
funkcioniranje rijeke, odnosno bogatog riječnog eko-sustava kojeg Drava tvori
zajedno sa svojim obalama, poplavnom nizinom i šumama. Tako je rijeka s
vremenom ostajala bez svojih rukavaca, meandara i poplavne nizine, a njezin prirodno
razgranati tok sve više bivao stiješnjen u glavno korito rijeke. Postepenim gubitkom
19. 13
prirodne dinamike rijeke kojim je Drava zatrpavala i napuštala stara i probijala nova
korita, ostavljala iza sebe mrtvice, plavila poplavne nizine, erodirala obale i taložila
sprudove dolazi do gubitka vrijednih riječnih staništa i do potenciranja vodene
energije koncentrirane u glavnom koritu rijeke, odnosno do degradacije riječnog
korita.
Zaštita od poplava Dunava, Drave i Mure temelji se na obrambenim nasipima i
širokim inundacijskim područjima uz vodotoke. Nasipi su dovršeni na većem dijelu
područja, osim na nekim dionicama uz stara korita hidroelektrana Varaždin, Čakovec
i Dubrava, uz rijeku Vučicu i u manjem dijelu Baranje. Posljednje pojave velikih voda
su ukazale da na nekim dionicama postojeći nasipi ne zadovoljavaju svojom visinom i
dimenzijama, pa ih je potrebno rekonstruirati. Izgradnjom i kasnijom rekonstrukcijom
Glavnog dravskog nasipa, nasipa Drava - Dunav i Zmajevac - Kopačevo omogućena
je učinkovita zaštita Baranje od velikih voda Drave i Dunava, te očuvanje prostranih
poplavnih površina uz ušće Drave u Dunav.
Takvo rješenje ne samo da povoljno utječe na prirodni režim voda u Parku prirode
Kopački rit nego i na zaštitu od poplava na nizvodnim područjima uz Dunav. Problem
zaštite od poplava na Dunavu i donjoj Dravi predstavljaju i pojave ledostaja koje
mogu prouzročiti ledene poplave. Za uklanjanje ledenih čepova koji ometaju
nesmetano protjecanje vode koriste se brodovi ledolomci. Za potrebe obrane od leda
na Dunavu, temeljem trostranog hrvatsko-mađarsko-srpskog vodno gospodarskog
sporazuma u pomoć se pozivaju i ledolomci iz Republike Mađarske, koji razbijaju led
na području sektora od zajedničkog interesa, odnosno od Dunafoldvara (rkm 1.560)
do Vukovara (rkm 1.333). Ujedno, putem Državne uprave za zaštitu i spašavanje,
omogućuje se i uporaba minsko-eksplozivnih sredstava za potrebe razbijanja ledenih
barijera i osiguranja protočnosti vodotoka na kritičnim lokacijama.
Najveći preostali problem zaštite od poplava na slivovima Drave i Dunava predstavlja
veliki broj bujičnih vodotoka koji ugrožavaju naselja i poljoprivredne površine u
Međimurju, Podravini, Slavoniji i Podunavlju, što je potvrđeno brojnim poplavama na
malim slivovima u posljednje vrijeme. Sustavi zaštite od brdskih voda većim su
dijelom dovršeni samo na slivnim područjima Međimurja i Županijskog kanala, dok
na ostalim slivnim područjima postoje samo pojedinačne regulacijske i zaštitne vodne
20. 14
građevine, koje bez izgradnje brdskih akumulacija i retencija ne mogu osigurati
primjerenu zaštitu nizinskih dijelova slivova od poplava.
Slika 4.1. Centri obrane od poplava na razini šest sektora
Temeljem Državnog plana obrane od poplava na razini Republike Hrvatske kao
središnja ustrojbena jedinica Hrvatskih voda za upravljanje redovitom i izvanrednom
obranom od poplava ustrojen je Glavni centar obrane od poplava.
Glavni centar obrane od poplava, sa sjedištem u Zagrebu, osigurava stručnu i tehničku
potporu glavnom rukovoditelju obrane od poplava, a u njegovom okviru djeluju i
centri obrane od poplava na razini šest sektora:
1. Mura i gornja Drava - Sektor „A“ sa sjedištem u Varaždinu
obuhvaća područja malih slivova „Plitvica - Bednja“, „Trnava“ i „Bistra“;
2. Dunav i donja Drava - Sektor „B“ sa sjedištem u Osijeku
obuhvaća područja malih slivova „Županijski kanal“, „Karašica - Vučica“, „Baranja“
i „Vuka“;
21. 15
3. Gornja Sava - Sektor „C“ sa sjedištem u Zagrebu
obuhvaća područja malih slivova „Zagrebačko prisavlje“, „Krapina - Sutla“ i „Zelina
- Lonja“;
4. Srednja i donja Sava - Sektor „D“ sa sjedištem u Zagrebu
obuhvaća područja malih slivova „Kupa“, „Banovina“, „Lonja - Trebež“, „Česma
- Glogovnica“, „Ilova - Pakra“, „Subocka - Strug“, „Šumetlica - Crnac“, „Orljava -
Londža“, „Brodska posavina“ i „Biđ - Bosut“;
5. Slivovi Sjevernog Jadrana - Sektor „E“ sa sjedištem u Rijeci
obuhvaća područja malih slivova „Mirna - Dragonja“, „Raša - Boljunčica“,
„Kvarnersko primorje i otoci“, „Gorski kotar“, „Podvelebitsko primorje i otoci“ i
„Lika“;
6. Slivovi Južnog Jadrana - Sektor „F“ sa sjedištem u Splitu
obuhvaća područja malih slivova „Zrmanja - Zadarsko primorje“, „Krka - Šibensko
primorje“, „Cetina“, „Srednje dalmatinsko primorje i otoci“, „Vrljika“, „Matica“,
„Neretva - Korčula“ i „Dubrovačko primorje“.
Na slivu Drave i Dunava nizinsko plodno područje i dalje ugrožavaju bujične vode
koje se slijevaju s brdskih područja. Izgradnjom sustava nasipa i višenamjenskih
akumulacija na Dravi, plodna nizina je uglavnom zaštićena od velikih voda rijeke
Drave. Planirana gradnja sustava za zaštitu od brdskih voda na ovom području
sagledana je kroz višenamjenska rješenja koja istovremeno sadržavaju ciljeve zaštite
od štetnog djelovanja voda i optimalno korištenje voda za različite namjene
(vodoopskrba, navodnjavanje, ribnjačarstvo, sport i rekreacija). Utvrđena je nužnost
izgradnje brdskih akumulacija i uređenja manjih vodotoka za potrebe obrane od
poplava i zaštite od erozije. Postojeće brdske retencije i akumulacije pokazale su punu
opravdanost u obrani od poplava i pružanju mogućnosti višenamjenskog korištenja
voda.
22. 16
Slika 4.2. Akumulacija Javorica
Jedno od glavnih rješenja obrane od poplava je vraćanje rijeka u prirodno stanje
odnosno revitalizacija prirodnih poplavnih i močvarnih područja, sve to unutar
kvalitetnih nasipa. Ključ rješenja je što više odvojiti nasipe od rijeka tako da rijeka
ima prostora da plavi unutar njih, a ne da plavi gradove i sela. Jedino bi kroz naselja i
industriju trebalo što brže provesti vodeni val i potom malo pomalo dopustiti da se
voda izlijeva u prirodne retencije. Prevencija poplava dolazi dakle iz spoja
tradicionalne regulacije rijeka u naseljima i modernog razumijevanja rijeka.
4.3. Sustav zaštite od poplava u RH
Poplavna područja Hrvatske pružaju brojne vrijedne usluge ekosustava kao što su
zalihe pitke vode, zaštita od poplava, proizvodnja drvne mase, proizvodnja ribe i
staništa za divljač, ali i osiguravaju staništa mnogim biljnim i životinjskim vrstama, a
potencijalno se područje može koristiti i u svrhu ekoturizma. Zbog svih ovih razloga,
poplavna područja Hrvatske se moraju zaštiti u što prirodnijem stanju jer su vrijedno
prirodno naslijeđe. Neodržavanje onih dobrih objekata obrane od poplava također su
izvor problema. Održavanje kvalitetnih nasipa je ključno, samo ne direktno uz rijeku
već šire, da uključe prirodna poplavna područja. Veliki problem je i intenziviranje
poljoprivrede u najnižim poplavnim područjima - to su trebali ostati pašnjaci koji
podnose poplave, a i domaće životinje su tome uvelike prilagođene.
23. 17
Projektom „Zaštite od poplava“ će se unaprijediti, obnoviti i dograditi postojeći sustav
zaštite od poplava kako bi se ostvarila viša razina zaštite stanovništva na prioritetnim
riječnim slivovima u Republici Hrvatskoj. Na taj način će se smanjiti javljanje
poplava i njihovi negativni društveno-gospodarski utjecaji, u smislu gubitka ljudskih
života, materijalnih šteta na privatnoj imovini, javnoj infrastrukturi i ostaloj vrijednoj
imovini, smanjenja gospodarskih aktivnosti i uništavanja gospodarskog zemljišta.
Projekt će pridonijeti postupnom usklađivanju operativnih programa zaštite od
poplava sa strateškim načelima vodnoga gospodarstva podržanima na nacionalnoj
razini i harmonizirani sa standardima EU u području vodne politike. Projektom je
predviđena izgradnja 25 projekata zaštite od poplava i višenamjenskih projekata sa
komponentom zaštite od štetnog djelovanja voda ukupne vrijednosti 74,3 milijuna
eura (prema indiktivnoj listi odobrenoj od strane CEB-a), uz komponentu
institucionalnog jačanja ukupne vrijednosti 5,7 milijuna eura, koja obuhvaća studije
slivova za potrebe planiranja upravljanja poplavnim rizicima i pripreme projekata za
sufinanciranje iz EU fondova, izradu sustava za prognoziranje poplava i podršku
aktivnostima Jedinice za pripremu i provedbu Projekta.
Hrvatska je ujedno i jedna od država s najvećom biološkom raznolikošću u Europi.
Njezin teritorij karakteriziraju značajna močvarna područja, osobito na poplavnim
područjima Drave, Dunava, Save i Neretve. Kao dom ugroženih vrsta, ta su područja
od posebne ekološke važnosti i njihova je zaštita ključna za očuvanje biološke
raznolikosti. Njihova izloženost rizicima od poplava zahtjeva provedbu sveobuhvatnih
mjera zaštite od poplava osmišljenih kako bi se krhke ekosustave zaštitilo od velike i
potencijalno nepovratne ekološke štete.
Značajniji radovi na uređenju vodotoka i zaštiti od poplava na nekim su područjima
počeli već u 19. stoljeću, no tek je krajem 60-ih godina 20. stoljeća po prvi put
osmišljen kompleksan sustav zaštite od poplava koji je djelomično izveden tijekom
70-ih i 80-ih godina 20. stoljeća. Sveukupno, izgrađeno je više od 4.000 km
obrambenih nasipa koji pružaju različite razine zaštite. U suradnji s ostalim
korisnicima voda i zemljišta, izgrađeno je 60-ak višenamjenskih akumulacija ukupnog
volumena od oko 1 milijardu m3
. Uz to, izgrađeno je 40-ak brdskih retencija, a na
slivu rijeke Save djelomično je formirano 5 velikih nizinskih retencija ukupnog
volumena od oko 1,6 milijarde m3
. Izvedena je i kanalska mreža. Izgrađena su tri
24. 18
velika oteretna kanala ukupne duljine od oko 60 km, kao i spojni kanali, te oko 900
km lateralnih kanala za površinsku odvodnju duž branjenih područja.
Vlada Republike Hrvatske je na sjednici održanoj 24. lipnja 2010. godine donijela
„Državni plan obrane od poplava“. Ovaj Državni plan obrane od poplava uređuje:
teritorijalne jedinice za obranu od poplava,
stadije obrane od poplava,
mjere obrane od poplava, uključivo i preventivne mjere,
nositelje obrane od poplava,
upravljanje obranom od poplava s obvezama i pravima rukovoditelja obrane,
sadržaj provedbenih planova obrane od poplava,
donositelja i sadržaj logističkih planova za slučaj poplava, koji određuju mjere
sklanjanja i spašavanja, rad hitnih službi i drugih bitnih službi u uvjetima
poplava, opskrbu vodom, hranom i slično,
sustav za obavješćivanje i upozoravanje i sustav veza.
Plan sadrži i mjere za obranu od leda na vodotocima. Branjena područja su temeljne
jedinice za provedbu obrane od poplava. Na razini branjenih područja provodi se
operativno upravljanje obranom od poplava, provode se nalozi Glavnog centra obrane
od poplava i sa razine sektora, te se osigurava samoinicijativno postupanje u obrani, u
slučaju izostanka naloga. Dionice su najniže teritorijalne jedinice unutar branjenih
područja, na kojima se kod nastupa opasnosti od poplava prate stanja i izravno
provodi obrana od poplava na zaštitnim vodnim građevinama.
Mjere obrane od poplava su:
mjere planiranja, studijskih poslova i praćenja vodnog režima,
mjere uređenja voda,
preventivne pripremne radnje,
neposredne mjere redovite i izvanredne obrane od poplava,
radnje nakon prestanka redovite obrane od poplava.
25. 19
Međutim, zbog nedostatka financijskih sredstava za nova ulaganja većina postojećih
sustava još uvijek nije dovršena i na mnogim područjima ne pruža odgovarajuću
razinu zaštite. Unatoč novijim kretanjima, raspoloživa financijska sredstva još uvijek
nisu dovoljna za zadovoljenje ukupnih potreba za razvoj i proširenje kapitalnih
investicija u sektoru zaštite od poplava. U isto vrijeme, nedavne mjere fiskalne
konsolidacije dovele su do pojačanih pritisaka na kapitalna ulaganja i smanjile
sredstva dodijeljena iz državnog proračuna.
Projektom će se unaprijediti, obnoviti, dovršiti i urediti postojeći sustav zaštite od
poplava kako bi se ostvarila visoka razina zaštite od stanovništva na prioritetnim
riječnim slivovima u RH, čime će se smanjiti javljanje poplava i njihovi negativni
društveno – gospodarski utjecaji u smislu gubitka ljudskih života, materijalnih šteta na
privatnoj imovini, javnoj infrastrukturi i ostaloj vrijednoj imovini, smanjene
gospodarske aktivnosti, uništavanja poljoprivrednog zemljišta itd.
Projektom će se smanjiti rizici od poplava širom Hrvatske, a bit će konkretnije
usmjeren na stanovništvo koje živi na području visokog rizika od poplava na oba
vodna područja, rijeke Dunav i jadranskom vodnom području.
4.4. Stadiji obrane od poplava
Obrana od poplava može biti preventivna, redovita i izvanredna. Glavnim
provedbenim planom utvrđeni su tehnički i ostali elementi potrebni za upravljanje
redovitom i izvanrednom obranom od poplava na vodama I. reda, a sadrži:
• pregled teritorijalnih jedinica za izravnu provedbu mjera obrane od poplava
(uključujući broj i oznaku dionica i druge potrebne podatke) po branjenim
područjima sektorima i pripadajućih zaštitnih vodnih građevina na kojima se
provode mjere obrane od poplava, odnosno mjere obrane od leda na
vodotocima, vodostaji pri kojima na pojedinoj dionici počinje pripremno
stanje, redovita odnosno izvanredna obrana od poplava i izvanredno stanje,
• kriterije obrane od leda na vodotocima,
• raspored rukovoditelja obrane od poplava i njihovih zamjenika iz Hrvatskih
voda, te pravnih osoba i njihovih rukovoditelja i zamjenika registriranih za
provođenje obrane od poplava, odnosno obranu od leda na vodotocima, kao i
26. 20
raspored rukovoditelja obrane od poplava iz pravnih osoba koje upravljaju
branama i akumulacijama
• obveze Državnog hidrometeorološkog zavoda u prikupljanju i dostavljanju
podataka, prognoza i upozorenja o hidrometeorološkim pojavama od značenja
za obranu od poplava,
• upute za izradu izvješća o provedenim mjerama obrane od poplava i
• kartografski prikaz granica branjenih područja.
Normalno stanje
• planiranje i održavanje vodnih sustava i vodnih građevina,
• planiranje i izgradnja, rekonstrukcija i dogradnja zaštitnih i regulacijskih
vodnih građevina,
• nadzor i čuvanje izgrađenih objekata sustava obrane od poplava,
• osiguranje predviđenog retencijskog prostora za prihvat velikih voda u
višenamjenskim akumulacijama
Slika 4.3. Normalno stanje
Pripremno stanje
Pripremno stanje prethodi proglašenju mjera redovne obrane od poplava, proglašava
se kod početka izlijevanja voda iz korita vodotoka u uređenu inundaciju.
Podrazumijeva:
• redovite preglede stanja ispravnosti regulacijskih i zaštitnih vodnih građevina,
• redovite preglede stanja uređenosti korita vodotoka i drugih voda radi
osiguranja kontroliranog i neškodljivog protoka velikih voda .
27. 21
Slika 4.4. Pripremno stanje
Redovna obrana
Početak i prestanak redovne obrane od poplava na pojedinim dionicama vodotoka
proglašava rukovoditelj obrane od poplava područja. Podrazumijeva:
• uspostavu stalne veze s rukovoditeljima obrane od poplava vodnog područja,
• izvođenje interventnih radova na izgrađenim vodnim građevinama i
vodotocima, te hitnih radova na zaštitnim vodnim građevinama i vodotocima u
izgradnji,
• uspostavu stalnih dežurstava rukovoditelja obrane od poplava dionica,
obrambenih centara i sustava veza
Slika 4.5. Redovna obrana
Izvanredna obrana
Uključivanje drugih subjekata u aktivnu obranu od poplava:
• Državna uprava za zaštitu i spašavanje (područni uredi)
• regionalna (područna) i lokalna samouprava,
• postrojbe Hrvatske vojske,
28. 22
• policijske i vatrogasne postrojbe, HGSS, Crveni križ,
• civilna zaštita i drugi gospodarski subjekti
• osnivanje Kriznih stožera radi stalne koordinacije sa svim uključenim
subjektima obrane od poplava.
Slika 4.6. Izvanredna obrana
Izvanredno stanje
Poduzimanje mjera u koordinaciji s Državnom upravom za zaštitu i spašavanje i
Kriznim stožerima za otklanjanje neposredne opasnosti i umanjenje posljedica od
poplava.
Slika 4.7. Izvanredno stanje
Izvanredno stanje na zaštitnim vodnim građevinama proglašava rješenjem
rukovoditelj obrane vodnog područja, a u hitnim slučajevima rukovoditelj obrane
područja, po dionicama kada vodostaji ili protoci dosegnu određenu razinu, odnosno i
pri nižim vodostajima i protocima, ako neposredno prijeti proboj, rušenje ili
prelijevanje zaštitnih vodnih građevina ili je do proboja, rušenja ili prelijevanja već
došlo. Izvanredno stanje na branjenom području ugroženom poplavom proglašava
29. 23
župan, na prijedlog rukovoditelja obrane od poplava vodnog područja, ako
neposredno prijeti proboj, rušenje ili prelijevanje zaštitnih vodnih građevina, odnosno
ako je došlo do poplava širih razmjera na području.
Za učinkovitu zaštitu od poplava neophodna je suradnja svih nadležnih tijela u
sustavu zaštite i spašavanja, uključujući jedinice lokalne i područne (regionalne)
samouprave i Državnu upravu za zaštitu i spašavanje koja je prema Državnom planu
obrane od poplava nositelj temeljnih ovlasti na području zaštite od katastrofa i velikih
nesreća, uključujući one uslijed poplava .
Slika 4.8. Puknuti nasip kod Rajevog sela
Za organizaciju upravljanja u slučaju katastrofa sve potrebne mjere provodi nadležna
Državna uprava za zaštitu i spašavanje sukladno odredbama Zakona o zaštiti i
spašavanju (NN 174/04, 79/07, 38/09 i 127/10) i Plana zaštite i spašavanja na
području Republike Hrvatske (NN 96/10).
30. 24
Slika 4.9. Služba za zaštitu i spašavanje
4.5. Najčešći načini zaštite od poplava na području rijeke Drave
U vodno gospodarskom smislu obrana od poplava spada u područje zaštite od štetnog
djelovanja voda. To područje, osim obrane od poplava, obuhvaća i uređenje vodotoka
i drugih voda (građenje, održavanje regulacijskih i zaštitnih vodnih građevina i vodnih
građevina za melioracijsku odvodnju, održavanje vodotoka i slično). Potrebne
intervencije zaštite ovise o pripremljenosti i reakcijama stručnjaka kao i
mogućnostima društva da pospješi obranu uvođenjem i primjenom što racionalnijih i
praktičnijih rješenja.
Postoje različiti pristupi sprječavanja šteta koje nastaju od poplava. Prvi pristup je
pristup „apsolutne“ zaštite prema kojem se izgrađenim sustavima osigurava područje
od poplava za hidrološke događaje velikih povratnih perioda 100 do 1000 pa i više
godina. Za funkcioniranje sustava tada odgovaraju državne ustanove i moraju namiriti
svaku štetu nastalu zbog njegovog otkazivanja. Drugi je pristup podijeljene
odgovornosti, prema kojem se poplavi pridružuje vjerojatnost njene pojave. Korisnik
zemljišta dužan se osigurati protiv šteta nastalih zbog pojave poplava kod
osiguravajućeg društva.
31. 25
Premija osiguranja tada ovisi o veličini rizika da će do poplave doći, a na korisniku
zemljišta je da procjeni da li mu se isplati takav aranžman. Taj drugi pristup uglavnom
se koristi u slučajevima kada se radi o zaštiti poljoprivrednog zemljišta i/ili kada
sustav za zaštitu od poplava i njegovo održavanje premašuju vrijednost spriječenih
šteta.
Hidrotehnički sustavi, sa svojim elementima - hidrotehničkim građevinama, grade se
u pristupima pasivne i aktivne zaštite od poplava. Sustav za pasivnu zaštitu
predstavlja zaštitu od poplavljivanja područja tako da se utječe na sprečavanje
posljedica. U tom pristupu, kada hidrološki događaj uzrokuje pojavu velikog vodnog
vala, mora+se propustiti koritom vodotoka na način da ne poplavi okolno područje.
Sustavom aktivne zaštite od poplava utječe se na uzrok pojave poplava, a to je veliki
vodni val. Raznim se zahvatima utječe na promjenu oblika vodnog vala, odnosno na
njegovo „spljoštavanje“. Njegov se oblik mijenja vremenskom i/ili prostornom
preraspodjelom vodnih količina.
Aktivnosti obrane od poplava obuhvaćaju:
projektiranje sustava,
izgradnju sustava,
održavanje sustava,
upravljanje sustavom,
praćenje hidroloških pokazatelja,
provođenje plana obrane od poplava.
4.5.1. Dugoročna rješenja zaštite od poplava – nasipi
Nasipi su regulacijske građevine izvan glavnog korita kojima je svrha zaštita područja
od plavljenja velikim vodama. Prema funkcionalnim kriterijima za nasipe je potrebno
definirati:
• trasu,
• profil (visina krune, širina krune, nagibi pokosa, položaj i širina berme)
• presjek (konstrukcija unutar profila -materijali, slojevi, debljine).
32. 26
Slika 4.10. Nasip Drava-Dunav (15 km), svibanj 2010
Nasip može biti brana, nasip za zaštitu od poplava, obalni nasip plovnoga, odvodnog
ili drugih kanala, donji ustroj ceste ili željezničke pruge i slično. Obično je izduženog
oblika u pogledu odozgo, a trapeznoga oblika u poprečnome presjeku. Nasip se
izgrađuje nasipavanjem, ravnanjem i zbijanjem zemljanog materijala u horizontalnim
slojevima po punoj širini, a debljina slojeva ovisi o vrsti materijala i namjeni nasipa.
Nasipi za obranu od poplave razlikuju se prema svojoj užoj namjeni:
glavni nasip brani neko područje od velikih voda,
ljetni (zečji) nasip privremeno zaštićuje od nadolazećih velikih voda,
obuhvatni nasip zaštićuje pojedina naselja i dobra,
priključni nasip povezuje glavne nasipe s visokim terenom,
usporni nasip prati uspor voda u koritima pritoka,
transverzalni ili demarkacijski nasip dijeli obranjeno područje u melioracijske
kasete, a u slučaju prodora vode kroz glavne nasipe ograničuje poplavu,
separacijski nasip odvaja struje pojedinih vodnih tokova,
pristupni nasip omogućuje pristup glavnim nasipima.
Vršni dio (kruna) nasipa za zaštitu od poplava projektira se na višoj razini od najviše
očekivane razine vode.
33. 27
Slika 4.11. Nasip na rijeci Dravi – općina Sopje
Obaloutvrde
Obaloutvrde su građevine koje riječnu obalu štite od erozije. Provjera otpornosti
riječnih obala na erozivno svojstvo riječnog toka vrši se uspoređivanjem brzine
strujanja vode i granične vrijednosti brzine ili tangencijalnog naprezanja za određenu
vrstu zemljišta. Ukoliko se utvrdi da su srednje brzine ili tangencijalni naponi veći od
dopuštenih za određenu vrstu zemljišta, obala se štiti obaloutvrdama. Grade se do
punog osnovnog korita (do nivoa srednje velike vode). Izbor tipa obaloutvrda ovisi o
brojnim čimbenicima, a najznačajniji su:
geometrijske karakteristike obale,
geometrijske karakteristike materijala od kojeg su obale formirane.
Slika 4.12. Obaloutvrda na rijeci Dravi ( Osijek)
34. 28
Materijali za izradu obaloutvrde su: beton, armirani beton, gabioni , armirana zemlja,
čelično žmurje, AB žmurje, AB dijafragme, geotekstil, geomembrane i asfaltne
konstrukcije.
Slika 4.13. Primjer izgradnje obaloutvrde
4.5.2. Privremena rješenja zaštite od poplava – vreće punjene pijeskom
Vreće punjene pijeskom je način zaštite od poplave poznat pod imenom zečji nasip.
Zečji nasip žargonski je naziv za provizorni nasip, obično od vreća punjenih
pijeskom, kojim se nastoji spriječiti prodor poplavnih voda kada je razina vode
neočekivano ili barem neuobičajeno visoka.
Slika 4.14. Vreće punjene pijeskom tzv. zečji nasipi
35. 29
Prednosti zečjih nasipa su:
niska cijena vreća,
jednostavnost skladištenja,
brza doprema na mjesto ugradnje,
nije potrebna stručna radna snaga.
Nedostaci zečjih nasipa su:
za punjenje i ugradnju potreban velik broj ljudi,
potrebne velike količine materijala za punjenje,
napunjene vreće se uglavnom dovoze na nepristupačne terene što usporava
aktivnost intervencije,
potrebni su veliki radovi za njihovo uklanjanje.
Vodena barijera
Vodena barijera je lagan i praktičan sustav koji se sastoji od metalnih nosača i
vodootpornih višeslojnih ploča, prekriven vodonepropusnom geomembranom, služi
za brzo nadvišenje nasipa do 0,95 m. Postavljanje ovog sustava štedi vrijeme i trud
kada je to najpotrebnije. Lako je prenosiv i može se višekratno koristiti.
Slika 4.15. Vodena barijera
36. 30
Tablica 4.1. Usporedba zečjeg nasipa i vodene barijere:
ZEČJI NASIP VODENA BARIJERA
DIMENZIJE 60 cm x 80 cm 45 cm x 30 m
BROJ RADNIKA 2 radnika 2 radnika
VRIJEME 35 minuta za 1 m nasipa 2 minute za 1 m nasipa
BROJ SATI ZA 100 m NASIPA 5min x 100m = 3550min - 58
sati
2min x 100m = 200min - 3.3
sata
VRSTA TROŠKA JEDNOKRATNO KORIŠTENJE VIŠEKRATNO KORIŠTENJE
FlexMac DT koristi se za brzu izgradnju velikih barijera kojima se štiti imovina od
vode koja raste uslijed poplave. Koristeći lokalno dostupan materijal za punjenje,
podizanje nasipa FlexMac DT sustavima je do 40 puta brže nego vrećama s pijeskom.
FlexMac DT je sklopiva mrežasta konstrukcija od teško pocinčane, dvostruko uvijene
žičane mreže koja je ojačana vertikalnim čeličnim šipkama i iznutra obložena
geotekstilom. Obloga od geotekstila omogućuje punjenje FlexMac DT pijeskom ili
drugim lokalno dostupnim materijalima. Takva se struktura lako postavlja uz pomoć
mehanizacije ili radnika. Jednostavnost strukture kao i njezina lakoća omogućuju da
se FlexMac DT lako rasklopi i brzo ukloni bez potrebe za obučenim radnicima ili
posebnom opremom.
Slika 4.16. FlexMac DT ( pocinčana mreža za izgradnju vodne barijere )
37. 31
Box barijera
Box barijera je sustav zaštite od poplava koji služi za brzo povišenje obrambenih
nasipa ili kao druga linija obrane od poplave. Sustav je izrađen na bazi gabionskih
struktura od teško pocinčane dvostruko pletene žice (elementi sa ćelijama bez dna i
poklopca). Unutrašnjost elementa obložena je geotekstilom. Pune se dostupnim
materijalom. Dimenzije su: širina 1m, duljina 3-5 m i visina 0,5 ili 1m.
Slika 4.17. Box barijera – Werkos
Geomembrana za zaštitu nasipa od procjeđivanja
Zaštitna membrana sprječava eroziju tla i procjeđivanje vode kroz tijelo nasipa.
Geomembrana osigurava vodonepropusnost nasipa, što je izuzetno važno u
razdobljima prekomjerno visokog vodostaja..
Slika 4.18. Geomembrana za zaštitu nasipa od procjeđivanja
38. 32
Trake geomembrane (standardna dimenzija 4 x 12) se učvršćuju na krunu nasipa te se
odmotavaju niz nasip. Trake se preklapaju i pri dnu osiguravaju s metalnom cijevi,
kako bi se osiguralo dobro prianjanje na podlogu nasipa. Vodonepropusni
geosintetički materijali izrađeni su najčešće od polietilena, gume ili PVC-a čijom se
primjenom u ekološkim radovima povećava stupanj zaštite voda. Fizičko mehaničke
karakteristike uvjetovane su izborom materijala i tehnologijom proizvodnje.
Slika 4.19. Postavljanje geomembrane uz pomoć ronioca
Za njeno postavljanje ponekad je potrebna i stručna radna snaga – ronioci, koji su
opremljeni te osposobljeni za uvjete u kojima se geomembrane postavljaju na
područjima na kojima konstrukcija nasipa slabi i postoji mogućnost od procjeđivanja i
propuštanja vode.
39. 33
5. REGULIRANJE TOKA RIJEKE DRAVE U SVRHU ZAŠTITE
OD POPLAVA
U Hrvatskoj se u budućnosti neće ponavljati poplave katastrofalnih razmjera
kakve su u svibnju poharale Slavoniju ako se provedu planirani projekti održivog
upravljanja rijekama koje već godinama primjenjuju zemlje Europske unije. Iako je iz
ove perspektive takav scenarij teško zamisliti, iskustvo je pokazalo da su takvi
projekti ne samo izvedivi, već i ne pretjerano skupi, odnosno stoje neusporedivo
manje od šteta koje je prouzročila samo jedna slavonska poplava. Štoviše, riječ je o
projektima koje uredno financira EU jer podupiru održivi razvoj složenih riječnih
ekosustava - revitalizacija rijeka znači znatno više od obrane od poplava. Vlada
ozbiljno namjerava iskoristiti financijsku priliku koju je dobila ulaskom Hrvatske u
EU i projektima "davanja prostora rijekama" konačno riješiti ne samo pitanja poplava
već i suša, opskrbu pitkom vodom te očuvanja bioraznolikosti.
Slika 5.1. Rijeka Drava
Iako je Hrvatska posljednjih godina pokrenula nekoliko projekata okolišno
prihvatljivog uređenja vodotoka, prvi pravi projekt "davanja prostora rijeci" koji je u
skladu s direktivama EU upravo je u pripremi i trebao bi poslužiti kao pilot projekt na
čijim će se iskustvima temeljiti buduće moderno gospodarenje hrvatskim rijekama.
40. 34
Riječ je o projektu revitalizacije toka rijeke Drave koji se provodi u sklopu LIFE
programa EU posvećenog zaštiti prirode i održivom razvoju.
Širenjem Drave Hrvatska napokon počinje ozbiljnu borbu protiv poplava. Projekt će
koštati između tri i pet milijuna eura, nositelj, Hrvatske vode, kandidirat će se za
fondove EU, a provedba bi mogla biti gotova za dvije do tri godine.
U sklopu istog programa Austrija je revitalizirala svoje rijeke, među ostalim, Dravu u
Koruškoj te Muru u Štajerskoj. Nositelj projekta revitalizacije Drave su Hrvatske
vode, a projekt je u završnim pripremama za kandidiranje za fondove EU.
"Zbog zastarjela shvaćanja rijeka kao vode između lijeve i desne obale, u prošlosti
smo previše regulirali i ograničili njihove tokove, što je izazvalo niz negativnih
posljedica, rijeke se ukopavaju dublje u korita, padaju i podzemne vode, isušuju se
močvare, suše se polja i šume, te nestaje biološka raznolikost, riblji fond, turistički
potencijal. Rijeke su složeni ekosustavi čiji je utjecaj daleko širi od obala. Zapadne
zemlje u posljednjih desetak godina ulažu milijune eura u vraćanje prirodnih
retencija na nenaseljenim područjima kako bi rijeke dobile natrag svoja prirodna
poplavna područja. To će se primijeniti i u projektu revitalizacije Drave, čije se korito
značajno ukopalo upravo zbog pretjerane regulacije njezina toka", objašnjava Goran
Šafarek, biolog koji se već deset godina bavi biološkim i istraživanjima rijeka.
(Preuzeto sa http://www.poslovni.hr/hrvatska/sirenjem-drave-hrvatska-napokon-
pocinje-ozbiljnu-borbu-protiv-poplava-273316 )
Na potezu od gornje Podravine pa sve do Osijeka napravit će se proširenja riječnog
područja, odnosno prirodna poplavna područja u nekoliko malih odsječaka od 200-
300 metara. Otvaranjem novih rukavaca pri većim kišama voda će odlaziti na
područja kojima to neće činiti štetu. Složenost projekta je u visokosofisticiranoj
tehnologiji projektiranja prirodnih retencija koja se temelji na suvremenim
spoznajama o hidrološkim sustavima, a konkretni potezi računalno se modeliraju.
Zbog toga je u projekt uključen niz sudionika iz javnog i privatnog sektora, od
politike do struke. Uz nositelja Hrvatske vode tu su Svjetski fond za zaštitu prirode,
javne ustanove za zaštićene prirodne vrijednosti tih područja, uredi za prostorno
planiranje, neovisni stručnjaci poput Šafareka, te niz operativaca, uz konzultantsku
pomoć austrijske tvrtke Revital, koja ima veliko iskustvo na revitalizaciji rijeka.
41. 35
Slika 5.2. Rijeka Drava kod Donjeg Miholjca
Upravo zbog jakih poplava u prošlosti, od 1999. do 2003. Koruška je provela projekt
revitalizacije gornjeg toka rijeke Drave, što je stajalo 6,3 milijuna eura, od čega je iz
Fondova EU pokriveno 26 posto troškova. U nastavak projekta na Dravi od 2006. do
2010. godine uloženo je još 3,8 milijuna eura, uz udio Fondova od 40 posto. U
Ministarstvu poljoprivrede napominju da su slični projekti u Hrvatskoj već pokrenuti,
no značajan korak koji će pridonijeti provedbi ulazak je Hrvatske u EU.
Projekti zaštite od štetnog djelovanja voda, u programskom razdoblju 2014.-2020.,
planiraju se sufinancirati iz Europskog fonda za regionalni razvoj (ERDF) sukladno
odredbama Operativnog programa iz područja konkurentnosti i kohezije koji je u
izradi", objašnjavaju u Ministarstvu poljoprivrede. Napominju kako je radi smanjenja
rizika od poplava potrebno rekonstruirati i dograditi sustave u nizinskim područjima,
a na bujičnim vodotocima treba dograditi sustav obrane od poplava izgradnjom većeg
broja akumulacija i retencija.
42. 36
Slika 5.3. Izvanredno stanje obrane od poplava na rijeci Dravi
"Gdje god je to moguće nasipi se projektiraju i izvode tako da se ostavlja dovoljan
inundacijski prostor i da se voda, u slučaju potrebe, usmjerava u prirodne retencije. Dobar
primjer za to su retencije Lonjsko polje, Mokro polje, Odransko polje, Kopački rit. Također, svi
projekti prolaze, sukladno zakonskoj regulativi, procjenu utjecaja na okoliš i ekološku mrežu",
kažu u Ministarstvu poljoprivrede.
(Preuzeto sa http://www.poslovni.hr/hrvatska/sirenjem-drave-hrvatska-napokon-
pocinje-ozbiljnu-borbu-protiv-poplava-273316 )
Prirodna poplavna područja Kopačkog rita i Lonjskog polja zaštićeni su u kategoriji
parka prirode i značajno ublažavaju djelovanje velikih voda te Hrvatskoj daju
prednost u odnosu na zemlje zapadne Europe. Europske zemlje, posebno Njemačka i
Nizozemska, ulažu silne napore i novac da bi obnovile takve ekosustave upravo radi
prevencije poplava i ublažavanja posljedica poplava. Prije velike poplave koja je u
svibnju pogodila Slavoniju stručnjaci su godinama upozoravali na preveliku
reguliranost rijeka koje se nemaju gdje izlijevati, pa ili probijaju nasipe, ili se
prelijevaju preko nasipa.
43. 37
"Nasipi su ključni za obranu od poplava, no njihovu gradnju treba udaljiti od rijeka, kako bi
rijeke imale što više prirodnog prostora da se izliju prije nego što dođu do nasipa. Na primjeru
posljednje poplave vidjeli smo da rijeka uvijek pronađe put i slabu točku nasipa. Nije riječ o
tome da je netko kriv za to što je pukao nasip, nemoguće je da na gotovo 2000 km nasipa ne
postoje slabe točke. Priča je složenija", objašnjava Goran Šafarek.
(Preuzeto sa http://www.poslovni.hr/hrvatska/sirenjem-drave-hrvatska-napokon-
pocinje-ozbiljnu-borbu-protiv-poplava-273316 )
Projekt na Dravi će biti prvi pravi projekt upravljanja rijekom u skladu sa suvremenim
znanstvenim spoznajama. Potrebno je prirodu iskoristiti kao saveznika i omogućiti
ispunjavanje važne uloge retencijskih područja koja služe za privremeno
pohranjivanje vode izdvojene iz protoka u riječnom koritu. Time se snižava vrh
vodnoga vala i umanjuje opasnost od poplava u nizvodnim područjima.
Slika 5.4. Poplavno područje – Kopački rit
44. 38
6. SUSTAV ZAŠTITE OD POPLAVA NA SLIVU RIJEKE DRAVE
Prostor obuhvaćen granicom ''Rekreacijskog područja Drava'' većim dijelom je
poplavno područje rijeke Drave omeđeno najvećim dijelom, obodno, nasipima. Na
širem prostoru tog područja izgradnja sustava za obranu od poplava, pri čemu se
prvenstveno misli na izgradnju nasipa, ima višestoljetnu povijest. Izgradnja nasipa
započela je u 18. stoljeću i traje sve do današnjih dana kada se pojedini nasipi
rekonstruiraju.
Slika 6.1. Sliv rijeke Drave na području Osječko – Baranjske županije
Radi zaštite naselja, prometnica, infrastrukture i poljoprivrednih površina, u okviru
RP Drava formirani su sljedeći nasipi:
nasip ''Osijek - Retfala'', izveden 1910. godine, na desnoj obali od km 22,3 do
km 23,6 rijeke Drave. Rekonstruiran je nakon poplava 1926. i 1965. godine.
45. 39
Dužina nasipa je 2,067 km. Osnovni geometrijski elementi su: širina krune 4,0
m, nagib prema vodnoj strani 1:2, a na branjenoj 1:3. Niveleta nasipa izvedena
je u visini 1.000 godišnje velike vode, bez podužnog pada na visini 88,10
m.n.m. Poprečni profil nasipa jedinstven je čitavom dužinom. Nasip je
izgrađen od zemljanog materijala. Trasa nasipa započinje kod zgrade
Hrvatskih voda VGO Osijek, a završava uklapajući se u visok teren podno
ulice Petefi Šandor.
nasip ''Retfala-Višnjevac'', također izgrađen 1910. godine, pa rekonstruiran
nakon poplava 1926. i 1965. godine, te 1983. godine. Dug je 2,954 km. Nasip
se nastavlja na nasip Osijek-Retfala, a završava na visokoj obali rukavca Stara
Drava u Višnjevcu. Geometrijski elementi nasipa su: širina krune 4,0 m,
uzvodni nagib 1:3, nagib na branjenoj strani od krune do 1,0 m je 1:3, a prema
nožici nasipa 1:7. Profil nasipa isti je po cijeloj dužini. Izgrađen je iz dva
dijela. Jezgra nasipa je od refuliranog pijeska, obloženog po kruni i s vodne
strane ekranom od koherentnog materijala, a s branjene strane humusiran je
slojem od 0,26 m na dijelu pokosa nagiba 1:3, a slojem od 0,15 m po pokosu
nagiba od 1:7. Niveleta nasipa nadvisuje 100 godišnju veliku vodu za 0,60 m i
ima podužni pad od 0,04‰. Oba nasipa zajedno brane površinu od 2,36 km² i
to prostor obuhvaćen granicom rekreacijskog područja, gdje su smješteni
stambeni objekti, hipodrom konjičkog kluba ''Osijek'' i crpna stanica Gradskog
vodovoda.
nasip ''Drava-Dunav'' predstavlja sjevernu granicu Rekreacijskog područja
Drava. Prvi podaci o izgradnji ovog nasipa datiraju iz 18. stoljeća. Nasip je
godinama nadograđivan i rekonstruiran prema potrebama. Izgrađen je radi
zaštite područja Baranje i osim što je fizička granica nema utjecaja u smislu
obrane na prostor promatranja. Trasa nasipa (0+000) započinje kod mjesta
Kopačevo, a završava na lokaciji ''Trokut'' (18+645), gdje se dalje nastavlja
nasip ''Glavni dravski''. Nasip je dug 18,645 km. Širina krune je 5,0 m, nagib
vodne strane je 1:3, a unutarnji pokosi su 1:3 i 1:7. Poprečni profil je različit
prema dionicama. Dio nasipa izgrađen je od čistog zemljanog materijala, a dio
je izgrađen u kombinaciji koherentnog i refuliranog dijela. Nasip se od svoje
46. 40
stacionaže km 9+895 do km 16+227 nalazi na području Grada Osijeka, i brani
područje od 5,25 km². Od stacionaže, orijentacijski 15+450 do njegovog kraja
nasip je u zoni rekreacijskog područja Drava.
Slika 6.2. Sanacija nasipa Dunav – Drava u Kopačevu ( Sokol Vinkovci d.o.o. )
obuhvatni nasipi Tvrđavica i Podravlje, izvedeni su još u 19. stoljeću radi
zaštite istoimenih naselja i danas se smatraju sekundarnim nasipima. Nasip
''Tvrđavica'' duljine je 3,53 km, a nasip ''Podravlje'' 1,16 km. Jednim svojim
dijelom uključeni su u nasip ''Drava-Dunav''. Na promatrano područje nemaju
utjecaja.
desnoobalni nasip uz kanal Poganovačko-Kravički, trasa nasipa započinje na
desnoj obali kanala kod mjesta Josipovac od rkm 0+000 i ide do stacionaže
rkm 1+100. Navedeni nasip štiti naselje Josipovac na prostoru od 0,15 km² .
47. 41
7. HIDROLOŠKA POSTAJA DONJI MIHOLJAC
Hidrološka postaja Donji Miholjac nalazi se u Osječko – Baranjskoj županiji, na
desnoj obali Drave. Postaja Donji Miholjac osnovana je 1890. godine, a Državni
hidrometeorološki zavod posjeduje podatke od 1900. godine nadalje. Opažanja
vodostaja su vršena jednom ili dvaput dnevno, a od 01.01.1971. godine bilježenje je
kontinuirano i provodi se pomoću limnigrafa. Prekidi opažanja su u razdobljima
1913.- 1922. i 1944.-1945.
Slika 7.1. Lokacija postaje Donji Miholjac
Postaja je kroz prošlost mijenjala lokaciju, naziv i nadmorsku visinu "0" točke
vodokaza.
Postaja je premještena 1971. godine oko pola kilometra nizvodno od prethodne
lokacije, radi pod imenom Donji Miholjac nizvodni. 1993.godine dolazi do ponovnog
premještanja lokacije postaje kilometar uzvodno od prethodne, a postaja se naziva
Donji Miholjac c.s. (crpna stanica).
48. 42
7.1. Karakteristični parametri građevine
Osobine vodokaza:
Vodokaz je višedjelni.
Vertikalni uz vodilicu crpne stanice, raspona mjerenja od 50 do 100 cm.
Vertikalni uz crpnu stanicu od 90 do 390 cm.
Kosi na stepenicama od 90 do 400 cm.
Visina " 0 " točke: 88,57 m n/m.
Slika 7.2. Vodokaz postaje Donji Miholjac
Kućište instrumenta hidrološke postaje izvedeno je u obliku klasične betonske kućice
koja je postavljena na obali. Na postaji se nalazi tlačni limnigraf tipa Seba, a postoji i
dojavni sustav u vlasništvu Hrvatskih voda. Tlačni limnigraf radi na principu mjerenja
tlakova. Plin se iz boce stalno pušta pod istim pritiskom, a razina vode se mijenja. Sve
više su prisutni i limnigrafi kojima je senzor sonda koja hidrostatski pritisak pretvara
u razinu vode. Ukoliko se želi dojava podataka, koriste se odgovarajući senzori
(digitalni ili analogni). Za kontrolu ispravnosti rada limnigrafa koristi se fiksna
vodokazna letva sa standardnom podjelom na 2 cm. Na taj način u svakom trenutku
osigurana je pouzdana kontrola ispravnosti rada limnigrafa. Hidrološka postaja je
neposredno dostupna vozilima.
49. 43
Slika 7.3. Instrument u betonskoj kućici
Vodostaj se bilježi kontinuirano (limnigraf), a obradom se izračunavaju i pohranjuju
satne vrijednosti. Temperatura se očitava jednom dnevno. Mjerenje protoka vrši se
deset puta godišnje, a iz vodostaja se izračunava za svaki sat. Mjerenje količine
suspendiranog nanosa vrši se jednom dnevno, a dnevni pronos nanosa se izračunava.
Motritelj svakodnevno kontrolira rad postaje. Obilazak postaje radi redovitog tekućeg
održavanja vrši se 5-6 puta godišnje. Mjerenje protoka na lokaciji postaje vrši se 10
puta godišnje, a snimanje poprečnog profila korita 2 puta godišnje.
Slika 7.4. Poprečni presjek korita Drave, postaje Donji Miholjac C.S.
50. 44
Limnigrafski papir skida se svaka četiri mjeseca, vodostaji se obrađuju i kontroliraju.
Po isteku godine verificiraju se podaci o vodostaju za cijelu godinu te se vrši obrada
protoka. Verificirani podaci o satnim vrijednostima vodostaja i protoka pohranjuju se
u Bazu hidroloških podataka i postaju dostupni korisnicima. Unos, obrada i
verifikacija podataka o temperaturi i suspendiranom nanosu vrše se po isteku godine,
na nivou dnevnih vrijednosti, te se također pohranjuju u Bazu.
7.2. Karakteristični hidrološki parametri
Tablica 7.1. Karakteristične vrijednosti vodostaja (cm)
Karakteristične vrijednosti vodostaja (cm)
Vremensko razdoblje
najniži
NNV
datum
najviši
VVV
datum
1900. – 1908. -32 06.01.1901. 374 01.07.1900.
1909. – 1912. -26 12.03.1909. 352 26.05.1910.
1923. – 1967. -72 29.03.1943. 460 26.08.1966.
1968. – 1970. -76 03.01.1969. 329 15.08.1970.
1971. – 1992. -140 13.01.1987. 500 22.07.1972.
od 1993. -145 14.02.2002. 438 29.10.1993.
Karakteristične vrijednosti protoka (m3
/s):
NNQ (najmanja protoka) 152 13.01.1987.
VVQ (najveća protoka) 2288 22.07.1972.
Stupnjevi obrane od poplave:
400 cm – redovna obrana
480 cm – izvanredna obrana
520 cm – izvanredno stanje
51. 45
Slika 7.5. Grafički prikaz usporedbe dnevne max oborine za hidrološku postaju Donji Miholjac C.S. za vremensko razdoblje od 1993. do
2010. godine
0
20
40
60
80
100
120
0 2 4 6 8 10 12
Dnevnamaksimalnaoborina[mm]
Vrijeme [mjeseci]
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
52. 46
Slika 7.6. Grafički prikaz usporedbe dnevne max oborine za hidrološku postaju Donji Miholjac C.S. i trenda ukupnih oborina za vremensko
razdoblje od 1993. do 2010. godine
0
20
40
60
80
100
120
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
201
206
211
216
Dnevnamaksimalnaoborina[mm]
Vrijeme [mjeseci]
Oborine
Trend oborina
53. 47
Slika 7.7. Grafički prikaz usporedbe dnevne max oborine za hidrološku postaju Donji Miholjac C.S. i trenda ukupnih oborina za vremensko
razdoblje od 2008. do 2010. godine
0
10
20
30
40
50
60
70
80
0 2 4 6 8 10 12 14
Dnevnamaksimalnaoborina[mm]
Vrijeme [mjeseci]
2008
2009
2010
Trend_2008
Trend_2009
Trend_2010
54. 48
8. ODREĐIVANJE PROTOKA NA HIDROLOŠKOJ STANICI
DONJI MIHOLJAC C.S. POMOĆU NEURALNIH MREŽA
8.1. PROGRAMSKI PAKET WEKA ZA ODREĐIVANJE
PROTOKA
Za rad s neuronskim mrežama korišten je gotov računalni program, Weka. Nastao
je na Sveučilištu Waikato u Novom Zelandu, a ostvaruje više različitih oblika
algoritama korištenih za predviđanja, kao što su stabla odluke, pravila klasifikacije,
neuronske mreže i slično. WEKA je napisana u Javi i distribuira se pod GNU General
Public Licence. Ovaj program radi na skoro svim platformama i testiran je na Linux,
Windows i Macintosh operacijskim sustavima. Verzija koja je korištena je posljednja
stabilna verzija WEKA-e 3.6 i može se preuzeti sa web adrese
http://www.cs.waikato.ac.nz/ml/weka/index.html. WEKA podržava razne formate
datoteka, ali je preporučljivo koristiti ARFF format datoteke koji je osnovni podržani
format. WEKA ima tri različita grafička korisnička okruženja: Explorer, Knowledge
Flow i Experimenter.
Slika 8.1. Sučelje programa Weka 3.6 (Waikato Environment for Knowledge Analysis –
Novi Zeland)
55. 49
Od ovih okruženja, najlakši način za korištenje WEKA-e je Explorer. Explorer
omogućava laku i efikasnu primjenu svih funkcionalnosti alata putem izbornih
menija. Korisničko okruženje Knowledge Flow, omogućava korisniku da samostalno
definira sekvencijalnu obradu podatka. Glavni nedostatak Explorer-a je činjenica da
sve podatke čuva u glavnoj memoriji – po otvaranju datoteke ili baze podataka cijeli
sadržaj se učitava odmah, što dovodi do toga da je primjena moguća samo na srednjim
i malim bazama podatka. Ovo okruženje omogućava precizno definiranje obrade
podatka povezivanjem komponenti koje predstavljaju izvore podataka, metode za
pripremu, algoritme i grafički prikaz. Ako algoritmi imaju mogućnosti
inkrementalnog učenja, podaci će biti učitani i obraditi sekvencijalno. Posljednje
okruženje, Experimenter osmišljeno je da pomogne korisniku da odgovori na osnovno
pitanje pri upotrebi klasifikacije i regresije: koje metode i parametre koristiti za dani
problem. Experimenter omogućava korištenje različitih klasifikatora i filtera sa
različitim parametrima.
Glavne prednosti ovog programa su širok spektar metoda za pripremu podataka, izbor
atributa i algoritama integriranih u jednom alatu. Također, bilo koja od metoda koja je
implementirana u alatu WEKA može biti pozivana iz korisničkog koda, što za
posljedicu ima olakšan razvoj novih aplikacija za istraživanje podataka uz minimum
dodatnog kodiranja. Ovaj program je potpuno besplatan, jednostavno i lako se
instalira na svakoj platformi, a GUI ga čini jednostavnim za korištenje. Nedostatak
WEKA-e je dokumentacija, jer WEKA konstantno raste i dokumentacija daje samo
listu raspoloživih algoritama. Posebno je dokumentacija za grafičko korisničko
okruženje ograničena. Nedostatak je i činjenica da u GUI okruženju nisu
implementirane sve funkcionalnosti WEKA-e pa je u radu neke opcije potrebno
pozivati iz linije naredbi.
8.2. PRORAČUN PROTOKA POMOĆU NEURALNE MREŽE
Na hidrološkoj stanici Donji Miholjac C.S. uzeti su podaci za 12 mjeseci u godini
koji se odnose na protoke rijeke Drave na tom području, te podaci od DHMZ-a
vezani uz oborine za to područje u razdoblju od 1993. – 2010. godine. Ti podaci su
bili osnova za određivanje protoka koji se kasnije dobije pomoću neuralnih mreža.
Obzirom da se podaci odnose na protoke i oborine unazad 15-tak godina korišteni su
56. 50
dakle najnoviji podaci, odnosno u razdoblju od 2008. - 2010. godine. Od svih ulaznih
podataka njih 66% se uzelo na „učenje“ mreže. Dakle od tih 66% podataka oborina na
području grada Donji Miholjac program je uzeo određeni protok kao rezultat.
Slika 8.2. Odabir višeslojne neuralne mreže ( Multilayer Perceptron)
Računalni program Weka tih 66% podataka vezanih za oborine i protok uzima
nasumce, a to samim time predstavlja prednost ovog programa. Ako se žele odrediti
podaci vezani za mjesec siječanj, mreža programa nije podatke uzimala nasumce nego
je u obzir uzimala onoliko koliko joj je potrebno da sama može prikazati vlastite
rezultate. Osnovu za dubinsku analizu podataka čini konačan skup podataka
dobivenih iz nekog procesa koji se odvija u stvarnom svijetu, a u ovom slučaju to se
odnosi na protoke rijeke Drave.
58. 52
Slika 8.3. Stvarne vrijednosti protoka stanice Donji Miholjac C.S., ( Drava ) prikazane u
Weka sučelju
Program daje vrijednosti protoka na temelju stvarnih izmjerenih vrijednosti koje su
predstavljale ulazne podatke, uzimajući u obzir 66% ili 80% ulaznih podataka.
Pojavljuju se i odstupanja od stvarnih vrijednosti koja predstavljaju tzv. pogrešku
mreže. U ovom slučaju 66% i 80% unesenih podataka se odnosi na učenje. Ukoliko
mreža ne bi uzimala u obzir toliku količinu podataka pojavila bi se jako velika
odstupanja što se tiče dobivenih rezultata i stvarnih izmjerenih vrijednosti.
U ovom slučaju uzimaju se u obzir dnevne vrijednosti oborina ( ulaz u mrežu) i
protoka ( izlaz iz mreže), no to je u slučaju poplava ponekad i premalo. Kad postoji
pojava poplave na nekom području mora se voditi računa o satnim vrijednostima, a ne
o dnevnim jer protoka raste iz sata u sat. Dnevne vrijednosti će se iskoristiti kako bi se
moglo pravilno intervenirati u slučaju poplava. Potrebno je predvidjeti dnevnu
protoku za neko određeno vrijeme i pravilno reagirati na takvu vrstu pojave
ispuštanjem prekomjerne količine vode u određenu akumulaciju, prirodnu ili umjetnu,
ili kroz neki kanal u drugu rijeku koja će u tom kritičnom trenutku moći zaprimiti
određenu količinu vode. Razlog zbog kojeg su ova razdoblja odabrana je taj da se
dobiju što realniji i precizniji opći modeli protoka.
59. 53
Tablica 8.2. Vrijednosti (predviđenih) protoka dobivenih preko neuralnih mreža
programa Weka – 66% podataka se odnosi na učenje mreže
60. 54
Tablica 8.3. Vrijednosti (predviđenih) protoka dobivenih preko neuralnih mreža
programa Weka – 80% podataka se odnosi na učenje mreže
Širok raspon učenih algoritama razvijen je kako bi se postigao optimalan model
karakteristika protoka. Ako je mreža podataka premalena, postoji mogućnost da ne bi
bio dovoljan broj stupnjeva slobode te na taj način ne bi se mogli u potpunosti uhvatiti
svi temeljni odnosi u podacima.
U tablici 8.3. su prikazane vrijednosti protoka gdje se 80% podataka uzima za učenje
mreže.
61. 55
Slika 8.4. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko neuralnih mreža za svibanj 2010. godine za hidrološku postaju Donji
Miholjac C.S
0
200
400
600
800
1000
0 5 10 15 20 25 30
Protok[m3/s]
Vrijeme [dani]
stvarne vrijednosti
predviđene vrijednosti - 66%
predviđene vrijednosti - 80%
62. 56
Slika 8.5. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko neuralnih mreža za lipanj 2010. godine za hidrološku postaju Donji
Miholjac C.S
0
200
400
600
800
1000
1200
1400
0 5 10 15 20 25 30
Protok[m3/s]
Vrijeme [dani]
stvarne vrijednosti
predviđene vrijednosti - 66%
predviđene vrijednosti - 80%
63. 57
Slika 8.6. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko neuralnih mreža za prosinac 2010. godine za hidrološku postaju Donji
Miholjac C.S
0
200
400
600
800
1000
1200
0 5 10 15 20 25 30
Protok[m3/s]
Vrijeme [dani]
stvarne vrijednosti
predviđene vrijednosti - 66%
predviđene vrijednosti - 80%
64. 58
Iz dobivenih grafova koji su prikazani na slikama 8.5. i 8.6. može se primijetiti da
postoje odstupanja u odnosu na stvarne vrijednosti protoka i prethodno prikazane
vrijednosti u tablici 8.2. koja prikazuje vrijednosti protoka dobivenih preko neuralnih
mreža programa Weka gdje se 66% podataka uzimalo za učenje mreže. Budući da
neuralna mreža 66 i 80 % podataka uzima u svrhu učenja, ostala količina podataka
predstavlja neku vrstu kontrolne grupe. Zbog toga razloga vrijednosti stvarnih i
predviđenih podataka ne poklapaju se u svim mjesecima.
Kada je odabrana metoda ažurirana sa 66% učenja mreže na 80%, karakteristike i
vrijednosti testiranih mreža oborina i protoka u nekim dijelovima su se povećale, a u
nekim smanjile. Uzroci se mogu naći unutar nepoznatog procesa sliva rijeke Drave, u
podacima oborina i vrijednostima protoka. Za daljnje poboljšanje mreže neophodno je
istražiti zadane vrijednosti oborina i protoka.
Umjetne neuronske mreže su vrsta paralelne računalne strukture unutar koje je broj
procesnih jedinica međusobno povezan, tako da je računalna memorija distribuirana i
informacije i podaci se povezuju na neki paralelan način. Takav tip mreže koristi i
program Weka pomoću kojeg se i došlo do očekivanih rezultata optimalizacije
traženog protoka. Višeslojne mreže (Multilayer perceptron) se najbolje iskorištavaju i
izvode kada se koriste u području hidrologije i hidroloških aplikacija. Kada se mreža
više puta uvježbava kako bi se poboljšale njene karakteristike u učenoj bazi, postoji
mogućnost da će mreža konačno „zapamtiti“ uzorke, a neće uzimati u obzir naglašene
„učene“ uzorke.
Višeslojni perceptron je umjetna neuronska mreža predviđanja koja preslikava
skupove ulaznih podataka na skupu odgovarajuće proizvodnje, a u ovom slučaju se to
odnosi na podatke oborina i protoka hidrološke postaje Donji Miholjac. To je
modifikacija standardnog linearnog predviđanja po tome što koristi tri ili više slojeva
neurona (čvorova) s nelinearnim aktivacijskim funkcijama, te je znatno bolji od
perceptrona u kojem se mogu razlikovati podatci koji nisu linearno odvojivi.
65. 59
Slika 8.7. Višeslojna neuronska mreža( Multilayer perceptron) protoka kroz 12 mjeseci
u godini dobivenih preko programa Weka
Višeslojni perceptron sastoji od ulaznog i izlaznog sloja, s jednim ili više skrivenih
slojeva nelinearno-aktivirajućih čvorova. Svaki čvor u jednom sloju povezuje se s
određenim neuronom težine Wij u svakom čvoru narednog sloja.
.
66. 60
9. ZAKLJUČAK
Višeslojno učenje neuralnih mreža s dovoljno procesnih jedinica može
reproducirati i obraditi bilo koje vrijednosti. Međutim neuralne mreže neće uvijek
naći točne vrijednosti i predrasude da dobijemo optimalna rješenja. Izgradnja mreže
za primjenu zahtjeva određeno iskustvo i korištenje prikladnih metoda, kao što su
jednostavne metode koje su predstavljene, a također su važne i početne vrijednosti u
algoritmima optimalizacije. Preporuča se izvesti inicijalizacija mreže nekoliko puta
kako bi se dobilo najbolje rješenje. Modeli koji su obučeni pomoću jednostavne
metode optimalizacije poput ranog zaustavljanja, jednostavno ih prisiljavaju da budu
jednostavni i općeniti (s nekoliko skrivenih slojeva i neurona). Takva vrsta modela
omogućila je predvidjeti vrijednosti protoka hidrološke postaje Donji Miholjac.
Neuronske mreže koriste se kao jedna od metoda umjetne inteligencije jer su relativno
pogodne za rješavanje problema velikog prostora ulaznih podataka, te velikog
prostora pretraživanja rješenja.
Ulazni podaci su bili izmjerene vrijednosti oborina od strane DHMZ – a, a izlazne
vrijednosti su bili protoci hidrološke postaje Donji Miholjac, C.S. Omogućavaju
eksplicitno određivanje upravljački najpovoljnije odluke, na temelju jasno definiranih
ciljeva. Iterativnim putem na temelju stvarnih vrijednosti nastoji se stvoriti model
postupnim učenjem na prethodnim podacima. U praksi to znači da pri modeliranju
nekog procesa dio raspoloživih podataka je potrebno iskoristiti za učenje mreže.
Na temelju protoka dobivenih pomoću programa Weka omogućeno je formirati
pouzdano predviđanje toka sustava rijeke Drave na području grada Donji Miholjac.
Predviđeni podaci se mogu koristiti kao alat za upravljanje vodnim resursima. U
stvarnom vremenu predviđanja i optimalizacije, kao što su regulacije protoka i
predviđanja poplava, preciznost i brzina modeliranja su ključni. Tehniku obrade
vrijednosti stvarnih podataka treba provoditi što točnije da se ne bi desile poplave kao
na području rijeke Save u svibnju 2014. godine. Regija je pretrpjela velike štete koje
su i danas vidljive, te upravo iz tog razloga predviđanje oborina i protoka mora biti
vrlo precizno, a to je upravo izloženo u ovom radu. Na temelju dobivenih oborina
uspješno su predviđene vrijednosti protoka. Upravo iz tih razloga potrebno je
67. 61
konstantno praćenje i mjerenje vodotoka. No bez obzira na sve tehnologije i sustave
koje su danas razvijene, voda na neki način uvijek uspije iznenaditi.
Potrebno je koristiti sustav koji funkcionira u realnom vremenu koji će omogućiti
optimalizaciju hidrotehničkog sustava sa jasnim predviđanjem njegovog stanja
protoka i vodostaja u bliskoj budućnosti. Upravo neuralne mreže programa Weka daju
mogućnost samostalnog učenja, rada u realnom vremenu te toleriranja grešaka.
Čak i ako pogreška predviđanja protoka i oborina nema fizičku interpretaciju, bilo bi
pogrešno da se ne koristi u stvarnim primjenama i predviđanjima gdje se o pitanjima
kao što je sigurnost ljudi i ekonomske katastrofe, u ovom slučaju poplava, može
izrazito pomoći kako bi posljedice bile što manje.
68. 62
10. LITERATURA
[1] “Narodne novine”, broj 91/08, (2008): Strategija upravljanja vodama.
[2] “Narodne novine”, broj 153/09 i 130/11, (2009, 2011): Zakon o vodama.
[3] “Narodne novine”, broj 84/10, (2010): Državni plan obrane od poplava.
[4] Husarić, J., Đuroković, Z, Biondić, D., Obrdalj, M. (2011.): Zaštita od poplava u
Hrvatskoj, Zbornik radova 5. hrvatske konferencije o vodama - Hrvatske vode
pred izazovom klimatskih promjena (Uredništvo - Biondić, D., Holjević, D.,
Tropan, Lj.), Hrvatske vode, Zagreb.
[5] Margeta, J.: Osnove gospodarenja vodama,Građevinski fakultet Split, 1992.
[6] Studija opravdanosti i izvodljivosti Višenamjenskog hidrotehničkog sustava
„Osijek“, Elektroprojekt, 2007.
[7] Rajčić, V., (2003), Ekspertni sustavi (skripta predavanja),Poslijediplomski studij,
Građevinski fakultet Sveučilišta u Zagrebu, Zagreb.
[8] Šperac, M., (2004), Upotrebljivost neuralnih mreža za određivanje otjecanja u
sustavu urbane odvodnje, doktorska disertacija, Građevinski fakultet, Sveučilište u
Zagrebu.
[9] Okrugli stol, zaštita od poplava u hrvatskoj – Zbornik radova, 2012.
[10] Carević, D., Bekić, D., Vouk, D., (2008), Primjena neuralnih
mreža za predviđanje vodostaja, Hrvatske vode.
[11] Application of artificial networks flood forecasting, Global nest: the Int. J. Vol6,
No.3, printeed in Greece
WEB izvori:
[12] http://zelenipartner.eu/art/odrzivo-upravljanje-vodom-za-dobrobit-svih-gradjana-
hrvatske (19.05.2015.)
[13]
http://www.voda.hr/sites/default/files/dokumenti/strategija_upravljanja_vodama.pdf
(19.05.2015.)
[14]
http://www.grad.hr/nastava/hidrotehnika/tvz/mel_reg/reg_predavanja/RegulacijePreda
vanje_01_V.pdf (26.05.2015.)
70. 64
POPIS SLIKA
Redn
i broj
Broj
slike
Naziv slike Stranic
a
1. 3.1. Shematski prikaz biološkoga neurona 6
2. 3.2. Struktura jednostavnoga umjetnoga neurona po modelu
MacCulloch i Pittsa
6
3. 3.3. Prikaz strukture i koncepta višeslojne perceptronske mreže 8
4. 3.4. Osnovni nelinearni model neurona 9
5. 3.5. Shema višeslojne mreže s prostiranjem signala unaprijed, a
pogreške unatrag
10
6. 4.1. Centri obrane od poplava na razini šest sektora 14
7. 4.2. Akumulacija Javorica 16
8. 4.3. Normalno stanje 20
9. 4.4. Pripremno stanje 21
10. 4.5. Redovna obrana 21
11. 4.6. Izvanredna obrana 22
12. 4.7. Izvanredno stanje 22
13. 4.8. Puknuti nasip kod Rajevog sela 23
14. 4.9. Služba za zaštitu i spašavanje 24
15. 4.10. Nasip Drava-Dunav (15 km), svibanj 2010 26
16. 4.11. Nasip na rijeci Dravi – općina Sopje 27
17. 4.12. Obaloutvrda na rijeci Dravi ( Osijek) 27
18. 4.13. Primjer izgradnje obaloutvrde 28
19. 4.14. Vreće punjene pijeskom tzv. zečji nasipi 28
20. 4.15. Vodena barijera 29
21. 4.16. FlexMac DT ( pocinčana mreža za izgradnju vodne barijere ) 30
22. 4.17. Box barijera – Werkos 31
23. 4.18. Geomembrana za zaštitu nasipa od procjeđivanja 31
24. 4.19. Postavljanje geomembrane uz pomoć ronioca 32
25. 5.1. Rijeka Drava 33
26. 5.2. Rijeka Drava kod Donjeg Miholjca 35
27. 5.3 Izvanredno stanje obrane od poplava na rijeci Dravi 36
71. 65
28. 5.4. Poplavno područje – Kopački rit 37
29. 6.1. Sliv rijeke Drave na području Osječko – Baranjske županije 38
30. 6.2. Sanacija nasipa Dunav – Drava u Kopačevu ( Sokol Vinkovci
d.o.o. )
40
31. 7.1. Lokacija postaje Donji Miholjac 41
32. 7.2. Vodokaz postaje Donji Miholjac 42
33. 7.3. Instrument u betonskoj kućici 43
34. 7.4. Poprečni presjek korita Drave, postaje Donji Miholjac C.S. 43
35. 7.5. Grafički prikaz usporedbe dnevne max oborine za hidrološku
postaju Donji Miholjac C.S. za vremensko razdoblje od 1993. do
2010. godine
45
36. 7.6 Grafički prikaz usporedbe dnevne max oborine za hidrološku
postaju Donji Miholjac C.S. i trenda ukupnih oborina za
vremensko razdoblje od 1993. do 2010. godine
46
37. 7.7. Grafički prikaz usporedbe dnevne max oborine za hidrološku
postaju Donji Miholjac C.S. i trenda ukupnih oborina za
vremensko razdoblje od 2008. do 2010. godine
47
38. 8.1. Sučelje programa Weka 3.6 (Waikato Environment for
Knowledge Analysis – Novi Zeland)
48
39. 8.2. Odabir višeslojne neuralne mreže ( Multilayer Perceptron) 50
40. 8.3. Vrijednosti (predviđenih) protoka dobivenih preko neuralnih
mreža programa Weka (Multilayer perceptron – neural network)
53
41. 8.4. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko
neuralnih mreža za svibanj 2010. godine za hidrološku postaju Donji
Miholjac C.S
55
42. 8.5. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko
neuralnih mreža za lipanj 2010. godine za hidrološku postaju Donji
Miholjac C.S
56
43. 8.6. Odnos stvarnih vrijednosti protoka te vrijednosti dobivenih preko
neuralnih mreža za prosinac 2010. godine za hidrološku postaju Donji
Miholjac C.S
57
44. 8.7. Višeslojna neuronska mreža( Multilayer perceptron) protoka kroz 59
73. 67
POPIS TABLICA
Redni
broj
Broj
tablice
Opis Tablice Stran
ica
1. 4.1. Usporedba zečjeg nasipa i vodene barijere 30
2. 7.1. Karakteristične vrijednosti vodostaja (cm) 44
3. 8.1. Stvarne vrijednosti protoka stanice Donji Miholjac C.S. – Drava (
m3
/s )
51
4. 8.2. Vrijednosti (predviđenih) protoka dobivenih preko neuralnih mreža
programa Weka – 66% podataka se odnosi na učenje mreže
53
5. 8.3 Vrijednosti (predviđenih) protoka dobivenih preko neuralnih mreža
programa Weka – 80% podataka se odnosi na učenje mreže
54