Abstract
Much of the prairie region in North America is characterized by relatively flat terrain with many depressions on the landscape. The hydrological response (runoff) is a combination of the conventional runoff from the contributing areas and the occasional overflow from the non-contributing areas (depressions). In this study, we promote the use of a hybrid modelling structure to predict runoff generation from prairie landscapes. More specifically, the Soil and Water Assessment Tool (SWAT) is fused with artificial neural networks (ANNs), so that SWAT and the ANN module deal with the contributing and non-contributing areas, respectively. A detailed experimental study is performed to select the best set of inputs, training algorithms and hidden neurons. The results obtained in this study suggest that the fusion of process-based and data-driven models can provide improved modelling capabilities for representing the highly nonlinear nature of the hydrological processes in prairie landscapes.
Editor D. Koutsoyiannis; Associate editor L. See
Résumé
Une grande partie de la région des Prairies en Amérique du Nord est caractérisée par un terrain relativement plat avec de nombreuses dépressions. La réponse hydrologique (ruissellement) est la combinaison de l'écoulement classique à partir des zones qui contribuent et du trop-plein occasionnel des zones ne contribuant pas (dépressions). Dans cette étude, nous favorisons l'utilisation d'une structure de modélisation hybride pour prévoir la génération de ruissellement des paysages des Prairies. Plus précisément, le modèle Soil and Water Assessment Tool (SWAT) a été fusionné avec des réseaux de neurones artificiels (RNA), de sorte que les modules SWAT et RNA gèrent respectivement les domaines contributifs et non contributifs..Une étude expérimentale détaillée a été effectuée pour sélectionner le meilleur jeu de données d'entrée, les algorithmes d’entraînement et les neurones cachés. Les résultats obtenus dans cette étude suggèrent que la fusion de modèles basés sur les processus et dirigés par les données peut améliorer la capacité de la modélisation à représenter la nature fortement non linéaire des processus hydrologiques dans les paysages des Prairies.
Acknowledgments
We thank the reviewers for their constructive comments that have helped improve the paper.