Forecasting Palmer Index Using Neural Networks and Climatic Indexes

Cutore, P.; Mauro, Giuseppe Di; Cancelliere, Antonino

doi:10.1061/(asce)he.1943-5584.0000028

Cited by 44 publications

(22 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Unlike physical and conceptual models, data-driven models are not difficult to implement for the purposes of real-time forecasting. Artificial neural networks (ANNs) have been used in several studies as a drought-forecasting tool [10][11][12][13][14][15][16]. The most popular type of ANN used for the purposes of drought forecasting is the multilayer perceptron (MLP) that is usually optimized with a back propagation algorithm.…”

Section: Introductionmentioning

confidence: 99%

Standard Precipitation Index Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Support Vector Regression

Belayneh

Adamowski

2012

Applied Computational Intelligence and Soft Computing

128

View full text Add to dashboard Cite

Drought forecasts can be an effective tool for mitigating some of the more adverse consequences of drought. Data-driven models are suitable forecasting tools due to their rapid development times, as well as minimal information requirements compared to the information required for physically based models. This study compares the effectiveness of three data-driven models for forecasting drought conditions in the Awash River Basin of Ethiopia. The Standard Precipitation Index (SPI) is forecast and compared using artificial neural networks (ANNs), support vector regression (SVR), and wavelet neural networks (WN). SPI 3 and SPI 12 were the SPI values that were forecasted. These SPI values were forecast over lead times of 1 and 6 months. The performance of all the models was compared using RMSE, MAE, and R 2 . The forecast results indicate that the coupled wavelet neural network (WN) models were the best models for forecasting SPI values over multiple lead times in the Awash River Basin in Ethiopia.

show abstract

Section: Introductionmentioning

confidence: 99%

Standard Precipitation Index Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Support Vector Regression

Belayneh

Adamowski

2012

Applied Computational Intelligence and Soft Computing

128

View full text Add to dashboard Cite

show abstract

“…These FL models are applicable for only short-term drought forecasting. Cutore et al (2009) developed an artificial neural network model to forecast Palmer Hydrological Drought Index (PHDI) up to a 4-month lead time by considering persistence and some climate indices. Although they obtained high R 2 values (around 0.90) for 1 month ahead forecasting, which is the consequence of high auto correlation coefficient at lag-1, the R 2 values decreased to around 0.4 for 4 months ahead forecasts.…”

Section: Introductionmentioning

confidence: 99%

Estimating Palmer Drought Severity Index using a wavelet fuzzy logic model based on meteorological variables

Özger

Mishra

Singh

2010

Intl Journal of Climatology

View full text Add to dashboard Cite

ABSTRACT:The Palmer Drought Severity Index (PDSI) is widely used to characterize droughts. The PDSI is based on the water balance equation over an area of concern. Calculating PDSI requires data on precipitation, temperature, soil moisture, and the previous PDSI value. While precipitation and temperature time series data are easily available for most locations, it is not always the case with soil moisture due to the lack of soil-moisture monitoring networks. This study developed a wavelet fuzzy logic model (WFL) to overcome the problem. The proposed model employs commonly available precipitation, temperature, and large-scale climate indices as predictors and PDSI as a predictand. The WFL model is applied to ten climate divisions in Texas and its performance is compared with conventional fuzzy logic (FL) model performance. It is shown that the WFL model outperforms the FL model. The variation of WFL model performance along with the average wavelet spectra of precipitation time series is evaluated. Results show that the WFL model is capable of predicting PDSI.

show abstract

“…H καινοτομία της διατριβής είναι ότι προσπαθεί να δημιουργήσει ένα γενικευμένο χρονικό μοντέλο για ταυτόχρονη χωροχρονική πρόγνωση του SPI στους βροχομετρικούς σταθμούς της υδρολογικής λεκάνης του Πηνειού ποταμού. Τα πολυεπίπεδα προς τα εμπρός τροφοδοτούμενα νευρωνικά δίκτυα (MLPs ANNs) επιλέχτηκαν για την ταυτόχρονη χρονική πρόγνωση βραχυπρόθεσμων και μεσοπρόθεσμων κλιμάκων πρόγνωσης (lead times), γιατί προγενέστερες μελέτες έδωσαν καλύτερα αποτελέσματα από άλλες τεχνικές πρόγνωσης για πρόγνωση των επιφανειακών τιμών του SPI στην υδρολογική λεκάνη του Πηνειού ποταμού Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες πρόγνωσης μετεωρολογικών δεικτών ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009;Cutore et al, 2009]. Ακολουθήθηκαν δύο προσεγγίσεις πολλαπλών χρονικών βημάτων πρόγνωσης.…”

Section: ανάλυση των καινοτόμων στοιχείωνunclassified

“…Τα αποτελέσματα έδειξαν ότι οι κλιματικοί δείκτες βελτιώνουν λίγο την ικανότητα των νευρωνικών δικτύων για την πρόβλεψη των μετεωρολογικών δεικτών ιδιαίτερα για μεσοπρόθεσμες προγνώσεις. Τέλος, οι Cutore et al, [2009] χρησιμοποίησαν νευρωνικά δίκτυα για την πρόγνωση του επιφανειακού (περιοχικού) δείκτη ξηρασίας Palmer Hydrological Drought Index (PHDI) P στη Σικελία της Ιταλίας με βάση προηγούμενες τιμές του PHDI και κλιματικούς δείκτες North Atlantic Oscillation (NAO) index και European Blocking (EB). Η ενσωμάτωση των κλιματικών δεικτών βελτίωσε ελαφρώς την πρόγνωση του PHDI τους καλοκαιρινούς και χειμερινούς μήνες αλλά χειροτέρεψε την πρόβλεψη τους άλλους μήνες.…”

Section: εφαρμογές μηχανικής μάθησης στην πρόγνωση ξηρασίαςunclassified

“…Η ενσωμάτωση των κλιματικών δεικτών βελτίωσε ελαφρώς την πρόγνωση του PHDI τους καλοκαιρινούς και χειμερινούς μήνες αλλά χειροτέρεψε την πρόβλεψη τους άλλους μήνες. Έτσι πρότειναν ότι η ενσωμάτωση των κλιματικών δεικτών πρέπει να γίνεται μόνο, όταν κρίνεται απαραίτητο και υπάρχει σημαντική συσχέτιση με την εξεταζόμενη μεταβλητή [Cutore et al, 2009].…”

Section: εφαρμογές μηχανικής μάθησης στην πρόγνωση ξηρασίαςunclassified

See 1 more Smart Citation

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

Vasiliades¹,

Βασιλειάδης²

View full text Add to dashboard Cite

i ΠΡΟΛΟΓΟΣ ΠΡΟΛΟΓΟΣ Η παρούσα διατριβή αποτελεί επιστέγασμα μιας ερευνητικής προσπάθειας που αν και τυπικά κράτησε πέντε χρόνια ενσωματώνει εμπειρίες μιας δωδεκαετίας. Ως συμβασιούχος υπάλληλος στο Πανεπιστήμιο Θεσσαλίας το καλοκαίρι του 1998, ήρθα σε πρώτη επαφή με τον άνθρωπο, προϊστάμενο μου τότε, Δρ. Αθανάσιο Λουκά που η γνωριμία μου μαζί του έπαιξε ένα τεράστιο ρόλο στη μετέπειτα πορεία μου στην έρευνα και στη ζωή. Αν και έχω χίλιους λόγους για να τον ευχαριστήσω όλα αυτά τα χρόνια της γνωριμίας μας, ας μου επιτρέψει να διαλέξω εκείνη την τόσο καθοριστική συζήτηση μας περί υδρολογίας με τα 'equations' όπου η ενασχόληση μου με το ερευνητικό πεδίο της υδρολογίας είχε ήδη δρομολογηθεί. Έτσι, η συνεργασία μου με τον κ. Α. Λουκά, από το 1998 έως το 2005, άνθισε σε διάφορα πεδία της υδρολογίας μεταξύ των οποίων και η ξηρασία. Η έλλειψη ενός ολοκληρωμένου συστήματος πρόγνωσης και παρακολούθησης της ξηρασίας ήταν η αιτία που ασχολήθηκα με το θέμα αυτό, στοχεύοντας σε μια πιο ολοκληρωμένη θεώρηση. Η όλη προσπάθεια υπήρξε επίπονη και πάντα ανακάλυπτα ότι κάτι λείπει και μπορεί να βελτιωθεί. Κάθε σελίδα αυτής της διατριβής αντιπροσωπεύει, πλέον της ερευνητικής μου προσπάθειας για συνεισφορά στην επιστήμη με καινοτομία, σκέψεις και ιδέες, και μία ανάμνηση συνδεδεμένη με διαφορετικές εμπειρίες, φάσεις ζωής και τόπους διαβίωσης. Θέλω να πιστεύω ότι το τελικό αποτέλεσμα καλύπτει αυτό που είχα στο μυαλό μου ως συμβολή στην έρευνα.Η διδακτορική διατριβή εκπονήθηκε στο Τμήμα Πολιτικών Μηχανικών της Πολυτεχνικής Σχολής του Πανεπιστημίου Θεσσαλίας από τον άνοιξη του 2005 έως το καλοκαίρι του 2010. Στο χρονικό αυτό διάστημα έλαβα πολύτιμη βοήθεια και καθοδήγηση από αξιόλογους επιστήμονες, που επιβεβαίωναν απρόσκοπτα με την υποστήριξή τους την ιδιότητα του «δασκάλου». Αυτούς τους αξιόλογους ανθρώπους θεωρώ χρέος μου να τους ευχαριστήσω ιδιαίτερα.Επιβλέπων και καθοδηγητής των μεταπτυχιακών μου σπουδών ήταν ο κ. Αθανάσιος Λουκάς, Αναπληρωτής Καθηγητής του Τμήματος Πολιτικών Μηχανικών Π.Θ., ο οποίος με συνόδευσε σε κάθε ερευνητική μου ανησυχία και συντέλεσε καθοριστικά στην ολοκλήρωση αυτής της διατριβής. Στη διάρκεια της συνεργασίας μας με καθοδήγησε σε ένα μονοπάτι ισορροπίας ανάμεσα στη δημιουργικότητα και τη μεθοδικότητα. Ο άνθρωπος αυτός με δίδαξε πραγματικά εντός και εκτός επιστημονικού πεδίου και τον θεωρώ ως υπόδειγμα δασκάλου και ανθρώπου προς μίμηση.Αρωγός στην προσπάθειά μου υπήρξε επίσης ο κ. Νικήτας Μυλόπουλος, Αναπληρωτής Καθηγητής του Τμήματος Πολιτικών Μηχανικών Π.Θ. και μέλος της τριμελούς συμβουλευτικής επιτροπής, άνθρωπος τον οποίο εκτιμώ ιδιαίτερα, καθώς μου μετέδιδε αδιαλείπτως τη γνώση και την εμπειρία του σε κάθε εξειδικευμένο θέμα και μου ασκούσε εποικοδομητική κριτική, αποτρέποντας με από λάθος κατευθύνσεις, όποτε αυτό χρειαζόταν. Πολύτιμη υπήρξε η συνεργασία μου με τον κ. Μαργαρίτη Βαφειάδη, Αναπληρωτή Καθηγητή του Τμήματος Πολιτικών Μηχανικών Α.Π.Θ και μέλος της τριμελούς συμβουλευτικής επιτροπής, ο οποίος με κατεύθυνε στο επιστημονικό πεδίο των χρονοσειρών και λειτούργησε συμβουλευτικά στην υλοποίηση της...

show abstract

Forecasting Palmer Index Using Neural Networks and Climatic Indexes

Cited by 44 publications

References 26 publications

Standard Precipitation Index Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Support Vector Regression

Standard Precipitation Index Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Support Vector Regression

Estimating Palmer Drought Severity Index using a wavelet fuzzy logic model based on meteorological variables

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

Contact Info

Product

Resources

About