SlideShare a Scribd company logo

crnolatac_antun_gfos_2015_diplo_sveuc

•
•
A
Antun Crnolatac
1 of 73
Download to read offline
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU GRAĐEVINSKI FAKULTET OSIJEK DIPLOMSKI RAD Osijek, rujan 2015. godine Antun Crnolatac
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
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
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.
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.
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
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.
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.
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:
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.
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
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
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).
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
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
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.
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.
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
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
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“;
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.
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.
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
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.
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
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 .
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,
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
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).
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.
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).
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.
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)
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
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
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 )
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
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.
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.
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.
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.
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.
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
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.
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
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 .
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).
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.
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.
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
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
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
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
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)
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
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.
51 Tablica 8.1. Stvarne vrijednosti protoka stanice Donji Miholjac C.S. – Drava ( m3 /s )
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.
53 Tablica 8.2. Vrijednosti (predviđenih) protoka dobivenih preko neuralnih mreža programa Weka – 66% podataka se odnosi na učenje mreže
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.
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%
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%
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%
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.
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. .
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
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.
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.)
63 [15] http://www.academia.edu/6776641/REGULACIJE_VODOTOKA (17.06.2015.) [16] https://vlada.gov.hr/UserDocsImages//Sjednice/2014/179%20sjednica%20Vlade//179 %20-%204.pdf (21.06.2015.) [17] http://www.mnovine.hr/vijesti/hrvatska/aktualno/za-zastitu-od-poplava-rijeke- treba-vratiti-u-prirodno-stanje- (08.07.2015.) [18] http://www.casopis- gradjevinar.hr/assets/Uploads/JCE_64_2012_10_R1_Gradiliste.pdf (08.07.2015.) [19] http://www.poslovni.hr/hrvatska/sirenjem-drave-hrvatska-napokon-pocinje- ozbiljnu-borbu-protiv-poplava-273316 (05.08.2015.) [20] http://www.cs.waikato.ac.nz/ml/weka/ (23.05.2015.) [21] www.propisi.hr/print.php?id=3967 (10.08.2015.) [22] http://www.werkos.com/hr/pages/water-barrier (10.08.2015.)
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
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
66 12.mjeseci u godini dobivenih preko programa Weka
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

Recommended

Presentatie 06122016
Presentatie 06122016Presentatie 06122016
Presentatie 06122016Bert Roelofs
 
AqtarResume_Performance Testing
AqtarResume_Performance TestingAqtarResume_Performance Testing
AqtarResume_Performance Testingaqtar sk
 
Tipos de conexión
Tipos de conexiónTipos de conexión
Tipos de conexión
Jennifer Chancafe
 
The Singularity s impact on Business leaders a Scenario
The Singularity s impact on Business leaders a ScenarioThe Singularity s impact on Business leaders a Scenario
The Singularity s impact on Business leaders a Scenario
Alireza Masjedian علیرضا مسجدیان
 
OfficialResume
OfficialResumeOfficialResume
OfficialResumeNizaya Rowe
 
ADNOC
ADNOCADNOC
ADNOCbassam salem
 
Get out Live, Love Life: Park 30
Get out Live, Love Life: Park 30Get out Live, Love Life: Park 30
Get out Live, Love Life: Park 30
kuipo96734
 
Evaluation of book_harry_potter
Evaluation of book_harry_potterEvaluation of book_harry_potter
Evaluation of book_harry_potter
Sujith Bhaskar .R
 

Recommended

Presentatie 06122016
Presentatie 06122016Presentatie 06122016
Presentatie 06122016Bert Roelofs
 
AqtarResume_Performance Testing
AqtarResume_Performance TestingAqtarResume_Performance Testing
AqtarResume_Performance Testingaqtar sk
 
Tipos de conexión
Tipos de conexiónTipos de conexión
Tipos de conexión
Jennifer Chancafe
 
The Singularity s impact on Business leaders a Scenario
The Singularity s impact on Business leaders a ScenarioThe Singularity s impact on Business leaders a Scenario
The Singularity s impact on Business leaders a Scenario
Alireza Masjedian علیرضا مسجدیان
 
OfficialResume
OfficialResumeOfficialResume
OfficialResumeNizaya Rowe
 
ADNOC
ADNOCADNOC
ADNOCbassam salem
 
Get out Live, Love Life: Park 30
Get out Live, Love Life: Park 30Get out Live, Love Life: Park 30
Get out Live, Love Life: Park 30
kuipo96734
 
Evaluation of book_harry_potter
Evaluation of book_harry_potterEvaluation of book_harry_potter
Evaluation of book_harry_potter
Sujith Bhaskar .R
 
2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
Marius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
Expeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
Pixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
marketingartwork
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
Skeleton Technologies
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
SpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Lily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
Rajiv Jayarajah, MAppComm, ACC
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
Christy Abraham Joy
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best Practices
Vit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
MindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
RachelPearson36
 

More Related Content

Featured

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
Marius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
Expeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
Pixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
marketingartwork
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
Skeleton Technologies
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
SpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Lily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
Rajiv Jayarajah, MAppComm, ACC
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
Christy Abraham Joy
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best Practices
Vit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
MindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
RachelPearson36
 

Featured (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
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.
  • 57. 51 Tablica 8.1. Stvarne vrijednosti protoka stanice Donji Miholjac C.S. – Drava ( m3 /s )
  • 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.)
  • 69. 63 [15] http://www.academia.edu/6776641/REGULACIJE_VODOTOKA (17.06.2015.) [16] https://vlada.gov.hr/UserDocsImages//Sjednice/2014/179%20sjednica%20Vlade//179 %20-%204.pdf (21.06.2015.) [17] http://www.mnovine.hr/vijesti/hrvatska/aktualno/za-zastitu-od-poplava-rijeke- treba-vratiti-u-prirodno-stanje- (08.07.2015.) [18] http://www.casopis- gradjevinar.hr/assets/Uploads/JCE_64_2012_10_R1_Gradiliste.pdf (08.07.2015.) [19] http://www.poslovni.hr/hrvatska/sirenjem-drave-hrvatska-napokon-pocinje- ozbiljnu-borbu-protiv-poplava-273316 (05.08.2015.) [20] http://www.cs.waikato.ac.nz/ml/weka/ (23.05.2015.) [21] www.propisi.hr/print.php?id=3967 (10.08.2015.) [22] http://www.werkos.com/hr/pages/water-barrier (10.08.2015.)
  • 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
  • 72. 66 12.mjeseci u godini dobivenih preko programa Weka
  • 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