The application of artificial neural network (ANN) methodology for modelling daily flows during monsoon flood events for a large size catchment of the Narmada River in Madhya Pradesh (India) is presented. The spatial variation of rainfall is accounted for by subdividing the catchment and treating the average rainfall of each subcatchment as a parallel and separate lumped input to the model. A linear multiple-input single-output (MISO) model coupled with the ANN is shown to provide a better representation of the rainfall-runoff relationship in such large size catchments compared with linear and nonlinear MISO models. The present model provides a systematic approach for runoff estimation and represents improvement in prediction accuracy over the other models studied herein. Key words artificial neural network; multiple-input single-output models; nonlinear models; rai nfal l-runo ff model 1 ing Modélisation pluie-débit journalière à base de réseau de neurones artificiel Résumé Nous présentons une application de la méthodologie des réseaux de neurones artificiels à la modélisation des écoulements journaliers en période de crues de mousson, d'un grand bassin versant de la rivière Narmada, en Madhya Pradesh (Inde). La variation spatiale de la pluie est prise en compte grâce à une subdivision du bassin versant, puis grâce à un traitement en parallèle des pluies moyennes sur les sousbassins versants, considérées comme des variables d'entrée globales du modèle. Il est ainsi mis en évidence qu'un modèle linéaire entrées multiples-sortie unique, couplé avec le réseau de neurones artificiel, fournit pour de tels bassins versants de grande taille une meilleure représentation de la relation pluie-débit que les modèles linéaires et non-linéaires entrées multiples-sortie unique. Ce modèle fournit une approche systématique pour estimer l'écoulement et présente une amélioration par rapport aux autres modèles étudiés jusqu'à présent, en terme de précision. Mots clefs réseau de neurones artificiel; modèles entrées multiples-sortie unique; modèles nonlinéaires; modélisation pluie-débit Open for discussion until I June 21)03
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.