AN ARTIFICIAL NEURAL NETWORK MODEL FOR WATER TABLE MANAGEMENT SYSTEMS

Abstract

This paper presents the development of an artificial neural network (ANN) model to simulate fluctuations in midspan water table depths, influenced by daily rainfall and potential evapotranspiration rates. Unlike conventional mathematical models, ANN models do not require, a priori, explicit knowledge of the relationship between inputs and outputs. This knowledge is obtained through training: field observations of inputs and outputs. Compared with conventional mathematical models, ANN models require fewer input parameters and can be run quickly on a PC. These benefits prove to be significant in the real-time control of subsurface drainage and subirrigation systems. In this study, ANN models are developed to simulate water table depths during subsurface drainage and subirrigation. They were trained and tested using field observations on water table depths at an agricultural field in Woodslee, Ontario, from 1992 to 1994. The results show the applicability of ANNs in drainage modeling. They simulate water table depth processes effectively, without requiring a large number of input parameters. ANN models are simple to build and easy to run, allowing accurate results to be obtained quickly. Thus they can be used in the real-time control of subsurface drainage and subirrigation systems.

Un logiciel à réseau de neurones artificiel (RNA) fut développé pour simuler les fluctuations du niveau de la nappe phréatique à mi-chemin entre les drains, tel qu’influencées par la précipitation et le niveau potentiel d’évapotranspiration hebdomadaire. Les modélisations à RNA, en contraste au modélisations mathématiques conventionnelles, ne nécessitent par, a priori, un connaissance des relations mathématiques reliant les données d’entrée aux données de sortie. Ces connaissances sont obtenues par apprentissage avec des données d’entrée et de sortie recuillies sur site. En comparaison avec les modélisations mathématiques conventionnelles, les modélisations à RNA nécessitent moins de données d’entrée et sont exécutés rapidement sur un micro-ordinateur. Ces bénéfices sont important dans le cas du contrôle en temps réel de systèmes de drainage et d’irrigation souterrains. Dans cette étude, des modélisations à RNA furent développées afin de simuler le niveau de la nappe phréatique durant le drainage et l’irrigation souterrains. Elles reçurent un apprentissage avec des données de niveau de nappe phréatique provenant d’un champ agricole à Woodslee dans le sud de l’Ontario, au Canada, pour les années 1992 à 1994. Les résultats démontrent que les modélisations à RNA peuvent servir dans la modélisation du drainage. Elles peuvent simuler les processus contrôlant le niveau de la nappe phréatique, sans qu’un grand nombre de données d’entrée soient nécessaires. Les modélisations à RNA sont faciles à bâtir et faciles à exécuter, permettant d’obtenir rapidement des résultats précis. Elles peuvent donc servir dans le contrôle en temps réel de systèmes de drainage et d’irrigation souterrains.