Application of a neural network technique to rainfall-runoff modelling

Shamseldin, Asaad Y.

doi:10.1016/s0022-1694(96)03330-6

Cited by 434 publications

(231 citation statements)

References 11 publications

Supporting

Mentioning

221

Contrasting

Unclassified

Order By: Relevance

“…The use of the multi-model combination of rainfall-runoff models was advocated by Shamseldin(1997) and Shamseldin et al(1997). Since then there have been several more studies which have dealt with multi-model combination of hydrological models (e.g.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Use of Gene Expression Programming for Multimodel Combination of Rainfall-Runoff Models

2012

View full text Add to dashboard Cite

This paper deals with the application of an innovative method for combining estimated outputs from a number of rainfall-runoff models using Gene Expression Programming (GEP) to perform symbolic regression. The GEP multi-model combination method uses the synchronous simulated river flows from four conventional rainfall-runoff models to produce a set of combined river flow estimates for four different catchments.The four selected models for the multi-model combinations are the Linear Perturbation Model (LPM), the Linearly Varying Gain Factor Model (LVGFM), the Soil Moisture Accounting and Routing (SMAR) Model, and the Probability-Distributed Interacting Storage Capacity (PDISC) model. The first two of these models are 'black-box' models, the LPM exploiting seasonality and the LVGFM employing a storage-based coefficient of runoff. The remaining two are conceptual models. The data of four catchments with different geographical location, hydrological and climatic conditions, are used to test the performance of the GEP combination method.The results of the model using GEP method are compared against original forecasts obtained from the individual models that contributed to the development of the combined model by means of a few global statistics. The findings show that a GEP approach can successfully used as a multi-model combination method. In addition, the GEP combination method also has benefit over other hitherto tested approaches such as an artificial neural network combination method in that its formulation is transparent, can be expressed as a simple mathematical function, and therefore is useable by people who are unfamiliar with such advanced techniques. The GEP combination method is able to combine model outcomes from less accurate individual models and produce a superior river flow forecast.

show abstract

Section: Introductionmentioning

confidence: 99%

“…neural network and fuzzy-based) combination methods have been used to produce multi-model river flows (Coulibaly, et al 2005, See and Openshaw 2000, Shamseldin 1997, Xiong, et al 2001. The linear combination methods include the Simple Average Method (SAM) and the Weighted Average Method (WAM).…”

Section: Introductionmentioning

confidence: 99%

Use of Gene Expression Programming for Multimodel Combination of Rainfall-Runoff Models

2012

View full text Add to dashboard Cite

show abstract

“…Các phương pháp học máy tiếp cận bài toán dự báo lưu lượng nước đổ về hồ chứa đã được nghiên cứu và đạt được nhiều kết quả khả quan [17,18,19]. Mạng nơron (neural) nhân tạo (ANN) được chứng minh bằng thực nghiệm cho thấy là một trong các phương pháp hiệu quả nhất và được dùng nhiều trong tính toán dự báo dạng chuỗi thời gian đối với bài toán thuộc dạng này [18,[20][21][22][23][24]. Trong những năm gần đây, phương pháp Deep learning (Học sâu) dựa trên nền tảng mạng nơron nhân tạo đang phát triển rất nhanh và thu hút đông đảo cộng đồng nghiên cứu tham gia.…”

Section: đặT Vấn đềunclassified

Deep Learning: Ứng Dụng Cho Dự Báo Lưu Lượng Nước Đến Hồ Chứa Hòa Bình

Nam¹,

Tùng²

2017

Fair - Nghiên Cứu Cơ Bản Và Ứng Dụng Công Nghệ Thông Tin - 2016

View full text Add to dashboard Cite

Từ khóa-Deep learning, mạng nơron, máy véctơ hỗ trợ, rừng ngẫu nhiên, LASSO, khai phá dữ liệu, học máy. I. ĐẶT VẤN ĐỀHồ chứa Hòa Bình là hồ chứa lớn nhất Việt Nam nằm trên dòng sông Đà, cách Hà Nội khoảng 70km, hệ thống thủy điện của hồ Hòa Bình được đưa vào vận hành từ năm 1990 giữ vai trò quan trọng trong kiểm soát lũ, hạn hán và cung cấp điện cho đồng bằng châu thổ sông Hồng. Dung tích hồ là 9.6*10 9 m 3 với khả năng xả lớn nhất đạt 2,400 m 3 /s. Điều tiết nước trong mùa lũ luôn là bài toán quan trọng trong vận hành hồ chứa, việc dự báo chính xác lưu lượng nước đổ về hồ chứa trước một khoảng thời gian chủ động luôn là thách thức lớn đối với nhà quản lý trong công tác vận hành tổ hợp công trình tại thủy điện Hòa Bình.Dự báo chính xác lưu lượng là yêu cầu chủ yếu trong việc xây dựng thành công một hệ thống quản lý và giảm nhẹ ảnh hưởng của lũ, an toàn hồ đập trong một lưu vực sông. Các phương pháp học máy tiếp cận bài toán dự báo lưu lượng nước đổ về hồ chứa đã được nghiên cứu và đạt được nhiều kết quả khả quan [17,18,19]. Mạng nơron (neural) nhân tạo (ANN) được chứng minh bằng thực nghiệm cho thấy là một trong các phương pháp hiệu quả nhất và được dùng nhiều trong tính toán dự báo dạng chuỗi thời gian đối với bài toán thuộc dạng này [18,[20][21][22][23][24]. Trong những năm gần đây, phương pháp Deep learning (Học sâu) dựa trên nền tảng mạng nơron nhân tạo đang phát triển rất nhanh và thu hút đông đảo cộng đồng nghiên cứu tham gia. Trong nghiên cứu này, phương pháp Deep learning được nghiên cứu để phân tích, dự báo trung hạn lưu lượng nước đổ về hồ Hòa Bình trước 10 ngày, từ đó trợ giúp công tác hỗ trợ ra quyết định trong điều hành hồ chứa; phương pháp Deep learning cũng có thể mở rộng với các bài toán dự báo lưu lượng tại các hồ chứa khác của Việt Nam phục vụ phòng, tránh và giảm nhẹ thiên tai.Bài toán dự báo lượng nước đổ về hồ Hòa Bình thường dựa trên vào các dữ liệu quan sát được trong quá khứ và các yếu tố tác động đến lưu lượng nước đổ về hồ. Dự báo lưu lượng nước sẽ chịu tác động của nhiều yếu tố ảnh hưởng đến kết quả dự báo như mưa, dòng chảy, địa hình, thảm phủ thực vật, độ ẩm, khí hậu và các tác động của con người trên lưu vực,… Trong những yếu tố đó thì mưa đóng vai trò quan trọng nhất, còn các yếu tố về địa chất, thổ nhưỡng, thảm phủ thực vật ít thay đổi, nghiên cứu này chưa xét đến yếu tố khí hậu và tác động của con người làm thay đổi lưu vực. Chúng tôi tập trung nghiên cứu vào xây dựng mô hình Deep learning cải thiện chất lượng bài toán dự báo lưu lượng nước đến hồ Hòa Bình dựa trên số liệu mưa quan trắc được và các quan sát lưu lượng nước về hồ trong quá khứ.Các số liệu quan trắc về lượng mưa là những yếu tố quan trọng ảnh hưởng trực tiếp đến chất lượng dự báo. Hình 1 mô tả quá trình thu thập số liệu quan trắc theo chuỗi thời gian, thông thường ta xét trong 1 khoảng thời gian cố định (cửa sổ trượt) có dữ liệu quan sát phản ánh đủ những kịch bản dự báo. Những dữ liệu này được gọi chung là tập dữ liệu huấn luyện hay dữ liệu để học mô hình dự báo. Ta ký hiệu tập dữ liệu đầu vào này là *( ) ( ) ( ), ...

show abstract

“…Their applications range from the forecasting of hourly and daily river stages or discharges (Thirumalaiah & Deo, 1998;Campolo et al, 1999Campolo et al, , 2003Imrie et al, 2000), groundwater modelling (Yang et al, 1997;Lallahem & Mania, 2003), and reservoir operation (Jain et al, 1999;Hasebe & Nagayama, 2002) to rainfall-runoff modelling (Shamseldin, 1997;Tokar & Markus, 2000).…”

Section: Introductionmentioning

confidence: 99%

Comparison of fuzzy inference systems for streamflow prediction

Özger

2009

Hydrological Sciences Journal

View full text Add to dashboard Cite

A comparison of the Mamdani and the Takagi-Sugeno (TS) fuzzy inference systems is presented for predicting streamflow values. The TS fuzzy rule base uses linear functions of inputs to predict the output, whereas the Mamdani version of inference determines outputs through fuzzy sub-sets. A genetic algorithmtrained Mamdani system is applied for streamflow forecasting. All the uncertainties and model complications are treated in linguistic expressions in the form of IF-THEN statements. Fuzzy membership functions, rules and the type of defuzzification method are adjusted until the best correlation between measured and predicted values is reached. The two methods are then applied to flow predictions on the Euphrates River in Turkey, without employing exogenous variables such as rainfall. The advantages and disadvantages of the models are discussed using the case study. It is shown that the Mamdani type of fuzzy inference modelling outperforms the Takagi-Sugeno approach in terms of error criteria comparisons, but neither of the two outperforms a standard ARMA(2, 2) model.Key words fuzzy logic; genetic algorithms; Mamdani; Takagi-Sugeno; prediction; streamflow; Euphrates RiverComparaison de systèmes d'inférence floue pour la prévision de débit en rivière Résumé Une comparaison des systèmes d'inférence floue de Mamdani et de Takagi-Sugeno (TS) est présentée vis-à-vis de la prévision de débit en rivière. La règle floue de base de TS utilise des fonctions linéaires des entrées pour prévoir la sortie, tandis que la version de Mamdani de l'inférence détermine les sorties à partir de sous-ensembles flous. Un système de Mamadani entraîné par algorithme génétique est appliqué pour la prévision de débit en rivière. Toutes les incertitudes et les complications de modélisation sont traitées sous la forme d'expressions linguistiques du type SI-ALORS. Les fonctions d'appartenance et les règles floues, ainsi que la méthode de défuzzification, sont ajustées jusqu'à l'obtention de la meilleure corrélation entre les données mesurées et prévues. Les deux méthodes sont ensuite appliquées à la prévision des débits de l'Euphrate en Turquie, sans utiliser de variables exogènes telles que la pluie. Les avantages et les désavantages des modèles sont discutés pour l'étude de cas. Il apparaît que la modélisation par inférence floue de type Mamdani donne de meilleurs résultats que l'approche TS en termes de comparaison des critères d'erreur, mais qu'aucune des deux ne surpasse un modèle standard ARMA(2, 2).

show abstract

Application of a neural network technique to rainfall-runoff modelling

Cited by 434 publications

References 11 publications

Use of Gene Expression Programming for Multimodel Combination of Rainfall-Runoff Models

Use of Gene Expression Programming for Multimodel Combination of Rainfall-Runoff Models

Deep Learning: Ứng Dụng Cho Dự Báo Lưu Lượng Nước Đến Hồ Chứa Hòa Bình

Comparison of fuzzy inference systems for streamflow prediction

Contact Info

Product

Resources

About