Rainfall estimation using artificial neural network group

Zhang, Ming; Fulcher, John; Scofield, Roderick A.

doi:10.1016/s0925-2312(96)00022-7

Cited by 53 publications

(21 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The ability of ANNs to identify and learn the input-output patterns without being explicitly programmed to do so, makes them a promising tool to model complex hydrological processes. Key examples of the application of ANNs in hydrology includes: rainfall-runoff modelling (Hsu et al, 1995;Minns & Hall, 1996;Shamseldin, 1997), and rainfall forecasting (French et al, 1992;Zhang et al, 1997). More information on the application of ANNs in water related studies can be found in the ASCE Task Committee on the Application of Artificial Neural Networks in Hydrology (2000) and in Maier & Dandy (2000).…”

Section: Introductionmentioning

confidence: 99%

Modelling the dynamics of the evapotranspiration process using genetic programming

Parasuraman

Elshorbagy

Carey

2007

Hydrological Sciences Journal

125

View full text Add to dashboard Cite

Evapotranspiration constitutes one of the major components of the hydrological cycle and hence its accurate estimation is of vital importance to assess water availability and requirements. This study explores the utility of genetic programming (GP) to model the evapotranspiration process. An important characteristic of GP is that both the model structure and coefficients are simultaneously optimized. The method is applied in modelling eddy-covariance (EC)-measured latent heat (LE) as a function of net radiation (NR), ground temperature (GT), air temperature (AT), wind speed (WS) and relative humidity (RH). Two case studies having different climatic and topographic conditions are considered. The performance of the GP model is compared with artificial neural network (ANN) models and the traditional Penman-Monteith (PM) method. Results from the study indicate that both the datadriven models, GP and ANNs, performed better than the PM method. However, performance of the GP model is comparable with that of the ANN model. The GP-evolved models are dominated by NR and GT, indicating that these two inputs can represent most of the variance in LE. The results show that the GP-evolved equations are parsimonious and understandable, and are well suited to modelling the dynamics of the evapotranspiration process.Key words eddy-covariance; evapotranspiration; modelling; genetic programming; artificial neural networks; Penman-Monteith method Modélisation de la dynamique du processus évapotranspiratoire par programmation génétique Résumé L'évapotranspiration est l'une des principales composantes du cycle hydrologique et son estimation précise est par conséquent d'une importance vitale pour estimer la disponibilité et les besoins en eau. Cette étude explore l'utilité de la programmation génétique (PG) pour modéliser le processus évapotranspiratoire. Une caractéristique importante de la PG est que la structure du modèle et les coefficients sont optimisés simultanément. La méthode est appliquée à la modélisation de la chaleur latente (CL) mesurée par la méthode des covariances turbulentes (CT) comme une fonction du rayonnement net (RN), de la température du sol (TS), de la température de l'air (TA), de la vitesse du vent (VV) et de l'humidité relative (HR). Deux études de cas sont considérées, qui présentent des conditions climatiques et topographiques différentes. La performance de la modélisation PG est comparée à celles de modèles de type réseaux de neurones artificiels (RNA) et de la méthode traditionnelle de Pennman-Monteith (PM). L'étude montre que les modélisations forcées par les données, PG et RNA, donnent de meilleurs résultats que la méthode PM. Cependant, la performance de la modélisation PG est comparable à celle de la modélisation RNA. Les modélisations PG évoluées sont dominées par RN et TS, ce qui indique que ces deux variables d'entrée peuvent représenter la plupart de la variance de CL. Les résultats montrent que les équations PG évoluées sont parcimonieuses et intelligibles, et sont bien adaptées à la mo...

show abstract

Section: Introductionmentioning

confidence: 99%

Modelling the dynamics of the evapotranspiration process using genetic programming

Parasuraman

Elshorbagy

Carey

2007

Hydrological Sciences Journal

125

View full text Add to dashboard Cite

show abstract

“…Now in the same vein as Hornik (1991) and Leshno (1993), it is possible to show that piecewise function groups (of MLPs employing locally bounded, piecewise continuous activation functions and thresholds) are capable of approximating any piecewise continuous function, to any degree of accuracy (Zhang, Fulcher, & Scofield, 1997).…”

Section: Honn Groupsmentioning

confidence: 99%

“…The three application areas in which we have focused our endeavors to date are (1) human-face recognition , (2) satellite weather forecasting (Zhang, Fulcher, & Scofield, 1997;Zhang & Fulcher, 2004), and (3) financial time-series prediction (Zhang, Xu, & Fulcher, 2002;Zhang, Zhang, & Fulcher, 2000). In each case, we are typically dealing with discontinuous, nonsmooth, complex training data, and thus HONN (and HONN groups) come into their own.…”

Section: Honn Applicationsmentioning

confidence: 99%

Application of Higher-Order Neural Networks to Financial Time-Series Prediction

Fulcher

Zhang

2006

Artificial Neural Networks in Finance and Manufacturing

Self Cite

View full text Add to dashboard Cite

Financial time-series data is characterized by nonlinearities, discontinuities, and high-frequency multipolynomial components. Not surprisingly, conventional artificial neural networks (ANNs) have difficulty in modeling such complex data. A more appropriate approach is to apply higher-order ANNs, which are capable of extracting higher-order polynomial coefficients in the data. Moreover, since there is a one-to-one correspondence between network weights and polynomial coefficients, higher-order neural networks (HONNs) -unlike ANNs generally -can be considered open-, rather than "closed-box" solutions, and thus hold more appeal to the financial community. After developing polynomial and trigonometric HONNs (P[T]HONNs), we introduce the concept of HONN groups. The latter incorporate piecewise continuous-activation Financial Time Series PredictionIt is clear that there are pattern(s) underlying some time series. For example, the 11-year cycle observed in sunspot data (University of California, Irvine, 2005). Whether this is the case with financial time-series data is debatable. For instance, do underlying "forces" actually drive financial markets, and if so can their existence be deduced by observations of stock price and volume movements (Back, 2004)?Alternatively, do so-called "market inefficiencies" exist, whereby it is possible to devise strategies to consistently "beat the market" in terms of return-on-investment (Edelman & Davy, 2004)? If this is in fact the case, then it runs counter to the so-called Efficient Markets Hypothesis, namely that the present pricing of a financial asset is a reflection of all the available information about that asset, whether this be private (insider), public, or previous pricing (if based solely on the latter, then this is referred to as the "weak form" of the EMH).Market traders, by contrast, tend to base their decisions not only on the previous considerations, but also on many other factors, including hunches (intuition). Quantifying these often complex decision-making processes (expertise) is a difficult, if not impossible, task akin to the fundamental problem inherent in designing any Expert System. An overriding consideration is that any model (system) tends to break down in the face of singularities, such as stock market crashes (e.g., "Black Tuesday", October 1987), war, political upheaval, business scandals, rumor, panic buying, and so on."Steady-state" markets, on the other hand, tend to exhibit some predictability, albeit minor -for example, so-called "calendar effects": lower returns on Mondays, higher returns on the last day of the month and just prior to public holidays, higher returns in January, and so on (Kingdon, 1997). Now, while it is possible that financial time-series data on occasion can be described by a linear function, most often it is characterized by nonlinearities, discontinuities, and high-frequency multipolynomial components.If there is an underlying market model, then it has remained largely impervious to statistical (and other forms of) m...

show abstract

“…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

Rainfall estimation using artificial neural network group

Cited by 53 publications

References 8 publications

Modelling the dynamics of the evapotranspiration process using genetic programming

Modelling the dynamics of the evapotranspiration process using genetic programming

Application of Higher-Order Neural Networks to Financial Time-Series Prediction

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

Contact Info

Product

Resources

About