Modelling the infiltration process with a multi-layer perceptron artificial neural network

Abstract

Infiltration is a significant process which controls the fate of water in a catchment. Over the years, many infiltration models have been developed which are either physically based, conceptual or empirical. The literature shows that a model's applicability will always be limited to its context (such as location, availability of data, etc.). Artificial neural networks (ANNs) have been recently used with success for a variety of nonlinear hydrological processes. In this study, the ANN multilayer perceptron was employed to model infiltration using data derived from plot-scale rainfall simulator experiments conducted in Cebu, the Philippines. Training parameters such as the stopping criteria and the type of transfer function affected the efficiency and the generalization capability of the ANN. The ANN resulted in a satisfactory network with an average R ² of 0.9110. The network performance was also found to be related to the input as the accuracy of the ANN model was higher for soil types with higher proportions in the training data. The time distribution of infiltration showed that the model was unable to estimate the first few minutes of the process, but improved significantly in the later time intervals. Sensitivity analysis showed that soil moisture and hydraulic conductivity are the influencing factors in modelling infiltration using ANN. When compared with the traditional Philip and Green-Ampt models, ANNs provided the highest accuracy in terms of cumulative infiltration.

Résumé

L'infiltration est un processus significatif qui contrôle le devenir de l'eau dans un bassin versant. Au fil des années, de nombreux modèles d'infiltration ont été développés, à bases physiques, conceptuels ou empiriques. La littérature montre que l'applicabilité d'un modèle sera toujours limitée à son contexte (tel que l'endroit, la disponibilité des données, etc.). Des réseaux de neurones artificiels (RNA) ont été récemment employés avec succès pour divers processus hydrologiques non-linéaires. Dans cette étude, le RNA de type perceptron multi-couches a été utilisé pour modéliser l'infiltration en utilisant des données dérivées d'expériences de simulation de pluie à l'échelle stationnelle menées à Cebu, aux Philippines. L'apprentissage des paramètres comme le critère d'arrêt et le type de fonction de transfert a eu une influence sur l'efficacité et sur l'aptitude à la généralisation du RNA. Le RNA a produit un réseau satisfaisant avec un R ² moyen de 0.9110. Les performances du réseau se sont également révélé être liées aux entrées, dans la mesure où la précision du RNA est meilleure pour les types de sols qui sont plus représentés dans les données d'apprentissage. La distribution temporelle de l'infiltration a montré que le modèle est incapable d'estimer les quelques premières minutes du processus mais qu'il s'améliore significativement par la suite. Une analyse de sensibilité a montré que l'humidité du sol et la conductivité hydraulique sont les facteurs influents lors de la modélisation de l'infiltration par RNA. En comparant avec les modèles traditionnels de Philip et de Green-Ampt, il apparaît que les RNAs donnent la meilleure précision en termes d'infiltration cumulée.

Key words:

• artificial neural network
• infiltration
• multilayer perceptron
• rainfall simulator

Mots clefs:

• réseau de neurones artificiel
• infiltration
• perceptron multi-couches
• simulateur de pluie