Multi-objective performance comparison of an artificial neural network and a conceptual rainfall-runoff model

摘要

Une comparaison multi-objective entre un reseau de neurones artificiel (RNA) et le modèle conceptuel pluie-débit HBV a été réalisée. L'algorithme NSGA-II a été utilisé pour la calibration des deux modèles. Une combinaison de trois fonctions objectives pour évaluer la performance de chaque modèle a été utilisée. Les résultats démontrent que pour une prévision à court terme, la performance de RNA est supérieure à celle du modèle HBV pour des fonctions objectives portant sur les crues et étiages mais est inférieure pour une nouvelle fonction objective incluant le forme de l'hydrographe. Si le temps de prévision s'accroît, le modèle HBV est supérieur au RNA pour toutes les fonctions objectives. La conclusion principale de cette étude est que malgré ces différences entre les deux types de modèles qui rendent difficile une comparaison directe et non équivoque, l'approche multi-objective permet une évaluation plus fiable des deux modèles que l'approche uni-objective.%A multi-objective comparison between an artificial neural network and the conceptual HBV rainfall-runoff model has been performed. The popular NSGA-II algorithm was used for calibration of both models. A combination of three objective functions was used to evaluate model performance. The results show that, for a small forecast lead time, the artificial neural network outperformed the HBV model on the objective functions for low and high flows, but the former was outperformed on a novel objective function related to the shape of the hydrograph. As the forecast horizon increases, the HBV model starts to outperform the ANN model on all objective functions. The main conclusion of this study is that, although the differences between the two model approaches make a straightforward and unequivocal comparison difficult, the multi-objective approach enables a more reliable evaluation of the two models than the single-objective approach.