Multi-step-ahead neural networks for flood forecasting

Abstract

A reliable flood warning system depends on efficient and accurate forecasting technology. A systematic investigation of three common types of artificial neural networks (ANNs) for multi-step-ahead (MSA) flood forecasting is presented. The operating mechanisms and principles of the three types of MSA neural networks are explored: multi-input multi-output (MIMO), multi-input single-output (MISO) and serial-propagated structure. The most commonly used multi-layer feed-forward networks with conjugate gradient algorithm are adopted for application. Rainfall—runoff data sets from two watersheds in Taiwan are used separately to investigate the effectiveness and stability of the neural networks for MSA flood forecasting. The results indicate consistently that, even though the MIMO is the most common architecture presented in ANNs, it is less accurate because its multi-objectives (predicted many time steps) must be optimized simultaneously. Both MISO and serial-propagated neural networks are capable of performing accurate short-term (one- or two-step-ahead) forecasting. For long-term (more than two steps) forecasts, only the serial-propagated neural network could provide satisfactory results in both watersheds. The results suggest that the serial-propagated structure can help in improving the accuracy of MSA flood forecasts.

Résumé

Un système d'annonce de crue performant s'appuie sur une technologie de prévision efficace et précise. Nous présentons une analyse systématique de trois types communs de réseaux de neurones artificiels (RNAs) pour la prévision de crue à échéances multiples. Les mécanismes et principes opératoires des trois types de réseaux de neurones à échéances multiples sont explorés: multi-entrées multi-sorties (MEMS), multi-entrées sortie unique (MESU) et structure de propagation sérielle. Les réseaux multi-couches progressifs les plus utilisés, avec un algorithme de gradient conjugué, ont été adoptés pour l'application. Les jeux de données pluie—débit de deux bassins versants Taïwanais sont utilisés séparément pour étudier l'efficacité et la stabilité des réseaux de neurones pour la prévision de crues à échéances multiples. Les résultats indiquent que, même si l'architecture MEMS est la plus couramment utilisée pour les RNAs, elle est moins précise parce que ses multiples objectifs (la prévision à échéances multiples) doivent être optimisés simultanément. Les réseaux MESU et à propagation sérielle sont autant capables de produire des prévisions précises à court terme (à échéances de un ou deux pas de temps). Pour les prévisions à long terme (plus de deux pas de temps), seul le réseau à propagation sérielle peut produire des résultats satisfaisants dans les deux bassins versants. Les résultats suggèrent que la structure de propagation sérielle peut aider à améliorer la précision des prévisions de crue à échéances multiples.

Key words:

• neural networks
• multi-step-ahead
• flood forecasting
• serial-propagated structure
• Taiwan

Mots clefs:

• réseaux de neurones
• multi-échéances
• prévision de crue
• structure de propagation sérielle
• Taïwan