Neural nets for modelling rainfall-runoff transformations

Lorrai, Mario; Sechi, Giovanni Maria

doi:10.1007/bf00872489

Cited by 67 publications

(25 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…CE is also insensitive to systematic positive or negative errors and has been criticised for interpretational difficulties, since even poor models can produce relatively high values and the best models do not produce values that on first examination are that much higher (Garrick et al, 1978: p376;Krause et al, 2005). It will also produce optimistic results in cases where the hydrological regime of interest exhibits marked seasonal variations, such that intrinsic periodic variation is an important part of total observed variation (Garrick et al, 1978;Lorrai and Sechi, 1995). The Modified Coefficient of Efficiency (MCE; Legates and McCabe, 1999;Krause et al, 2005) is a more generic metric that could be of particular interest since, through the use of absolute values, it will permit errors and differences to be given a more appropriate weighting i.e.…”

Section: Equation 18mentioning

confidence: 99%

HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts

Dawson

Abrahart

See

2007

Environmental Modelling & Software

455

244

View full text Add to dashboard Cite

Section: Equation 18mentioning

confidence: 99%

HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts

Dawson

Abrahart

See

2007

Environmental Modelling & Software

455

244

View full text Add to dashboard Cite

“…When an ANN is used as a rainfall-runoff model, owing to the fact that it does not require much knowledge on catchment characteristics and hydrological processes as well as its ability for the simulation of nonlinear physical processes, the training process (calibration) is relatively simple compared with other kinds of lumped hydrological models. For this reason, ANN models have been applied successfully in hydrology, water resources and various civil engineering applications (Hsu et al, 1995;Lorrai and Sechi, 1995;Smith and Eli, 1995;Minns and Hall, 1996;Najjar et al, 1996;Wilby, 1998, 2001;Coulibaly et al, 1999Coulibaly et al, , 2000.…”

Section: Introductionmentioning

confidence: 98%

Predicting catchment flow in a semi‐arid region via an artificial neural network technique

Riad

Mania

Bouchaou

et al. 2004

Hydrological Processes

View full text Add to dashboard Cite

Abstract:A model of rainfall-runoff relationships is an essential tool in the process of evaluation of water resources projects. In this paper, we applied an artificial neural network (ANN) based model for flow prediction using the data for a catchment in a semi-arid region in Morocco. Use of this method for non-linear modelling has been demonstrated in several scientific fields such as biology, geology, chemistry and physics.The performance of the developed neural network-based model was compared against multiple linear regressionbased model using the same observed data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modelling appears to be a promising technique for the prediction of flow for catchments in semi-arid regions. Accordingly, the neural network method can be applied to various hydrological systems where other models may be inappropriate.

show abstract

“…Muchas situaciones prácticas pueden no justificar el tiempo y el esfuerzo requerido para desarrollar, validar e implementar un modelo conceptual, cuando el principal objetivo es tener un sistema de respuestas lo suficientemente aproximado aunque no se profundice en el análisis del proceso físico. Una de estas situaciones prácticas puede ser la estimación en tiempo real de caudales en cuencas (Hsu et al, 1995;Lorrai y Sechi, 1995). Se debe puntualizar que la disponibilidad de los datos generalmente determina la elección del tipo de modelo.…”

Section: Introductionunclassified

“…Algunas aplicaciones de RNCs en el manejo y la gestión de los recursos hídricos incluyen la caracterización del proceso lluvia-escorrentía (Hsu et al, 1995;Lorrai y Sechi, 1995;Mason et al, 1996;Abrahart et al, 1999;Tokar y Johnson, 1999;Thirumalaiah y Deo, 2000;Tokar y Markus, 2000;Chiang et al, 2004;Moradkhani et al, 2004;Anctil y Rat, 2005), estimación a corto plazo del estado de ríos (Thirumalaiah y Deo, 1998Abrahart y See, 2000See y Openshaw, 2000;Cameron et al, 2002), predicción de lluvias (French et al, 1992;Zhang et al, 1997;Kuligowski y Barros, 1998;Palazón y García, 2004), modelación de aguas subterráneas (Roger y Dowla, 1994;Yang et al, 1997), predicción de demandas de agua en sistemas de abastecimiento urbano y zonas regables (Griñó, 1992;Pulido-Calvo et al, 2002, 2003, descripción de procesos de infiltración (Álvarez y Bolado, 1996), análisis de sequías (Shin y Salas, 2000), etc. Otras muchas aplicaciones de RNCs en hidrología se detallan en ASCE (2000aASCE ( , 2000b.…”

Section: Introductionunclassified

Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas

Pulido‐Calvo

Portela²

2007

ing.agua

View full text Add to dashboard Cite

Resumen: Desde hace unos años, las redes neuronales computacionales están siendo una de las herramientas más prometedoras para la estimación de caudales en cuencas. La mayoría de los trabajos de la literatura utilizan para las predicciones, junto con los datos registrados de caudales, otras variables de entrada de carácter hidro-meteorológico. En este estudio se analizó el funcionamiento de redes neuronales de retropropagación para la estimación de caudales diarios en cuencas portuguesas, considerando que sólo los datos de caudal de días previos están disponibles para la calibración de los modelos. Además de los modelos tradicionales de redes neuronales que tienen como variables de entrada los caudales en días previos, se realizó un procedimiento de convolución en las neuronas de la capa de entrada y se probó una metodología híbrida combinando redes neuronales computacionales y modelos ARIMA. Los modelos neuronales complementados con un proceso de convolución dieron las mejores estimaciones considerando los caudales de los tres días previos como variables de entrada. También se realizó un análisis preliminar de la capacidad de esta aproximación para estimar caudales diarios en una cuenca diferente a la utilizada para la calibración de los modelos, obteniéndose resultados satisfactorios. INTRODUCCIÓNEl desarrollo y la implementación de herramientas para la planificaciónóptima de los recursos hídricos requiere generalmente el análisis de los flujos de caudal en las cuencas para la evaluación de problemas de ingeniería y ambientales tales como el control de inundaciones, la operación en tiempo real de embalses, la generación hidroeléctrica, el control de la calidad del agua y de los ecosistemas de los ríos, etc.Durante muchos años se ha estudiado la transformación de lluvia en escorrentía para obtener series de caudales en cuencas y así determinar futuros eventos o caracterizar cuencas sin registros. Las dos principales aproximaciones utilizadas en la literatura especializada para la evaluación del proceso lluvia-escorrentía son los modelos conceptuales (o físicos) y los modelos de "caja negra". Usualmente, un modelo conceptual tiene como objetivo formular el proceso físico basándose en cada una de las variables que intervienen, y en este caso puede ser la interceptación, la infiltración, el agua superficial y subterránea, la percolación, la evaporación, la transpiración, etc. De este modo, este tipo de modelos normalmente es complejo y necesita de muchos requerimientos de datos para que se apliquen de forma general en distintas situaciones prácticas (Jakeman y Hornberger, 1993;Abrahart y See, 2000). Asimismo, la exactitud de las predicciones se ve influenciada por componentes subjetivas como el establecimiento de los parámetros del modelo que generalmente depende de la experiencia del usuario (Duan et al., 1992(Duan et al., , 1994Sorooshian et al., 1993;Hsu et al., 1995;Yapo et al., 1996;Tokar y Johnson, 1999;Chang y Chen, 2001).En las aproximaciones de "caja negra"se iden-© Fundación para el Fomento de la Ingenie...

show abstract

Neural nets for modelling rainfall-runoff transformations

Cited by 67 publications

References 10 publications

HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts

HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts

Predicting catchment flow in a semi‐arid region via an artificial neural network technique

Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas

Contact Info

Product

Resources

About