Abstract
In hydrological sciences there is an increasing tendency to explore and improve artificial neural network (ANN) and other data-driven forecasting models. Attempts to improve such models relate, to a large extent, to the recognized problems of their physical interpretation. The present paper deals with the problem of incorporating hydrological knowledge into the modelling process through the use of a modular architecture that takes into account the existence of various flow regimes. Three different partitioning schemes were employed: automatic classification based on clustering, temporal segmentation of the hydrograph based on an adapted baseflow separation technique, and an optimized baseflow separation filter. Three different model performance measures were analysed. Three case studies were considered. The modular models incorporating hydrological knowledge were shown to be more accurate than the traditional ANN-based models.
Résumé
En sciences hydrologiques il y a une tendance croissante à explorer et améliorer les réseaux de neurones artificiels (RNA) et d'autres modèles de prévision conditionnés par les données. Les tentatives d'amélioration de tels modèles sont largement reliées aux problèmes reconnus de leur interprétation physique. Cet article traite du problème de l'incorporation de connaissance hydrologique dans le processus de modélisation grâce à l'utilisation d'une architecture modulaire qui tient compte de l'existence de divers régimes d'écoulement. Trois différents schémas de partition ont été employés: une classification automatique basée sur le regroupement, une segmentation temporelle de l'hydrogramme basée sur une technique adaptée de séparation de l'écoulement de base, et un filtre optimisé de séparation l'écoulement de base. Trois différentes mesures de performance de modélisation ont été analysées. Trois études de cas ont été considérées. Les modèles modulaires incorporant de la connaissance hydrologique se sont révélé être plus précis que les modèles traditionnels à base de RNA.