Using complementary methods for improved flow forecasting

Abstract

Forecasting river flow is important to water resources management and planning. Four artificial neural network (ANN) models were developed and compared in order to forecast river flow in the River Trent, UK. The first two are feed-forward networks and were trained with back-propagation and cascade-correlation algorithms; the third is an adaptive linear neuron network; and the fourth an Elman network. Using observations of river flow for 1996–1998, the ANN models were satisfactorily trained and verified. A method that allows the explicit description of the variations in the lag of the system was also used and, when applied together with a real-time updating method, resulted in improved model performance. The research shows that using a parallel data-driven error prediction model to complement the ANNs produces much better flow predictions in comparison to using the ANNs alone.

Résumé

La prévision de l'écoulement en rivière est importante pour la gestion et la planification des ressources en eau. Quatre modèles de type réseau de neurones artificiels (RNA) sont développés et comparés afin de prévoir l'écoulement en rivière de la Rivière Trent, Royaume Uni. Les deux premiers sont des réseaux de type feed-forward et ont été entraînés à l'aide d'algorithmes de propagation arrière et de corrélation en cascade; le troisième est un réseau de neurones linéaire adaptatif; et le quatrième un réseau de Elman. Avec les observations d'écoulement en rivière de 1996–1998, les modèles RNA ont été entraînés et vérifiés de manière satisfaisante. Une méthode qui permet une description explicite des variations du délai du système a également été utilisée, qui a abouti à une amélioration des performances de modélisation lors d'une mise en œuvre couplée avec une méthode de mise à jour en temps réel. Cette recherche montre que l'utilisation d'un modèle empirique de prévision des erreurs en parallèle pour enrichir les modèles RNA produit de bien meilleures prévisions de débit que l'utilisation des modèles RNA seuls.

Key words:

• flow forecasting
• river
• neural network
• variable lag
• error prediction

Mots clefs:

• prévision d'écoulement
• rivière
• réseau de neurones
• délai variable
• prévision d'erreur