Monthly rainfall-runoff modelling using artificial neural networks

摘要

Les modèles pluie-dèbit donnent en général de bons résultats, mais le calage des paramètres est par fois fastidieux et subjectif, et dèpend souvent de données additionnelles observées in situ. Une alternative aux modèles conceptuels est fournie par les modèles empiriques qui relient des données d'entrèe et de sortie par l'intermèdiaire d'une fonction mathématique arbitraire sans relation directe avec les caractéristiques physiques du processus de transformation pluie-dèbit. Cette catègorie inclut les réseaux de neurones artificiels (RNAs), dont l'implèmentation est le sujet de cet article. Cette étude évalue la capacitè de RNAs à modèliser avec prècision le processus pluie-dèbit mensuel. Une ètude de cas a ètè réalisée pour le bassin de la Rivière Jangada, Paranâ, Brésil. Les rèsultats des trois RNAs les plus performants ont été comparés avec ceux du modèle conceptuel à pas de temps mensuel, 1PHMEN. Les RNAs donnent les meilleurs résultats, avec les plus forts coefficients de corrèlation et statistiques de Nash-Sutcliffe et les plus faibles différences de volume.%Rainfall-runoff models usually present good results, but parameter calibration sometimes is tedious and subjective, and in many cases it depends on additional data surveys in the field. An alternative to the conceptual models is provided by empirical models, which relate input and output by means of an arbitrary mathematical function that bears no direct relationship to the physical characteristics of the rainfall-runoff process. This category includes the artificial neural networks (ANNs), whose implementation is the main focus of this paper. This study evaluated the capacity of ANNs to model with accuracy the monthly rainfall-runoff process. The case study was performed in the Jangada River basin, Parana, Brazil. The results of the three ANNs that produced the best results were compared to those of a conceptual model at monthly time scale, IPHMEN. The ANNs presented the best results with highest correlation coefficients and Nash-Sutcliffe statistics and the smallest difference of volume.