Abstract
We constructed neural network models for nine selected Canadian rivers to see if we could predict monthly surface runoff. We used as inputs current and previous monthly climate variables, such as mean, minimum and maximum temperatures, total rain and snow amounts. Our predicted output was monthly runoff for the basins. The data selected to develop the models were collected between 1980 and 1994. Model predictions made using the training data set showed that the model had good predictive capacity in seven of nine cases. However, in order to better test the models, we also used the models on three years of input data collected in the period between 1939 and 1978. We found the neural network models to provide reasonable predictions for six of the nine sites. Basin disturbances and data sets unrepresentative of basin conditions were the main reasons for model failure.
Nous avons construit des modèles neuromimétiques pour neuf rivières du Canada retenues pour voir si nous pouvions prédire le ruissellement de surface mensuel. Nous avons utilisé comme données d’entrée des variables climatiques mensuelles actuelles et passées, comme les températures moyennes, minimales et maximales, les précipitations totales et les quantités de neige. Notre donnée de sortie prédite était le ruissellement mensuel pour les bassins. Les données retenues pour l’élaboration des modèles ont été recueillies entre 1980 et 1994. Les prédictions de modèle faites à l’aide des ensembles de données de formation ont révélé que le modèle offrait une bonne capacité de prédiction dans sept des neuf cas. Toutefois, pour mieux tester les modèles, nous avons également employé les modèles échelonnés sur trois ans de données d’entrée recueillies entre 1939 et 1978. À notre avis, les modèles neuromimétiques permettent de formuler des prédictions raisonnables pour six des neuf sites. Les perturbations du bassin et les ensembles de données non représentatifs des conditions du bassin expliquent en grande partie l’échec du modèle.