Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks

Abstract

Droughts are destructive climatic extreme events, which may cause significant damages both in natural environments and human lives. Drought forecasting plays an important role in the control and management of water resources systems. In this study, a conjunction model is presented to forecast droughts. The proposed conjunction model is based on dyadic wavelet transforms and neural networks. Neural networks have shown great ability in modeling and forecasting nonlinear and nonstationary time series in a water resources engineering, and wavelet transforms provide useful decompositions of an original time series. The wavelettransformed data aids in improving the model performance by capturing helpful information on various resolution levels. Neural networks were used to forecast decomposed sub-signals in various resolution levels and reconstruct forecasted sub-signals. The performance of the conjunction model was measured using various forecast skill criteria. The model was applied to forecast droughts in the Conchos River Basin in Mexico, which is the most important tributary of the Lower Rio Grande/Bravo. The results indicate that the conjunction model significantly improves the ability of neural networks for forecasting the indexed regional drought.

Application of the extreme learning machine algorithm for the prediction of monthly Effective Drought Index in eastern Australia

“…An output layer was used to generate the monthly EDI values as the predicted output using the ANN approach (Kim and Valdés, 2003) viz…”

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

“…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.…”

“…Η εφαρμογή των μοντέλων έγινε για παροχές ποταμών λεκανών απορροής [Panu et al, 1978;Salas and Obeysekera 1982;Crespo and Mora, 1993;Shin and Salas, 2000;Hanson et al 2004;Yurekli et al 2005;Modarres, 2007;Abebe and Foerch, 2008;Fernandez et al, 2009;Durdu, 2010] και για μετεωρολογικούς δείκτες ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2005;Morid et al, 2007;Vasiliades and Loukas, 2007;Bacanli et al, 2009]. Οι Chung and Salas [2000] υπολόγισαν τις πιθανότητες των συμβάντων ξηρασίας με τη χρήση διακριτών ARMA (Discrete ARMA, DARMA) μοντέλων χαμηλής τάξης.…”

“…Οι Chung and Salas [2000] υπολόγισαν τις πιθανότητες των συμβάντων ξηρασίας με τη χρήση διακριτών ARMA (Discrete ARMA, DARMA) μοντέλων χαμηλής τάξης. Οι Kim and Valdes [2003] με τη χρήση του PDSI ως δείκτη ξηρασίας υπολόγισαν περιοχική πρόγνωση ως 12 μήνες μπροστά με βάση δυαδικούς κυματιδικούς μετασχηματισμούς (dyadic wavelet transforms) και τεχνητά νευρωνικά δίκτυα στην υδρολογική λεκάνη του ποταμού Conchos στο Μεξικό. Σύμφωνα με αυτή τη μελέτη είναι δυνατή η πρόγνωση των τιμών του PDSI μέχρι έξι μήνες μπροστά.…”

“…Σύμφωνα με αυτή τη μελέτη είναι δυνατή η πρόγνωση των τιμών του PDSI μέχρι έξι μήνες μπροστά. Μετά τους 6 μήνες η πρόγνωση με τη μεθοδολογία τους γίνεται ίδια με την πρόγνωση από τον επίμονο προβλέπτη [Kim and Valdes, 2003]. Οι Bordi et al [2005] συνέκριναν δύο στοχαστικές μεθοδολογίες, δηλαδή ένα μοντέλο Box-Jenkins και μία καινούργια μεθοδολογία Gamma Highest Probability (GAHP), για πρόγνωση της τιμής της μελλοντικής βροχόπτωσης για το επόμενο χρονικό βήμα (lead time = 1).…”