An artificial neural network approach to rainfall-runoff modelling

Abstract

Abstract This paper provides a discussion of the development and application of Artificial Neural Networks (ANNs) to flow forecasting in two flood-prone UK catchments using real hydrometric data. Given relatively brief calibration data sets it was possible to construct robust models of 15-min flows with six hour lead times for the Rivers Amber and Mole. Comparisons were made between the performance of the ANN and those of conventional flood forecasting systems. The results obtained for validation forecasts were of comparable quality to those obtained from operational systems for the River Amber. The ability of the ANN to cope with missing data and to "learn" from the event currently being forecast in real time makes it an appealing alternative to conventional lumped or semi-distributed flood forecasting models. However, further research is required to determine the optimum ANN training period for a given catchment, season and hydrological contexts. Résumé Ce document traite du développement et de l'application des réseaux neuronaux artificiels (RNA) à la prévision des débits de deux bassins versants du Royaume Uni sujets aux inundations grâce à l'utilisation de données hydrométriques réelles. Partant d'un ensemble restraint de données d'apprentissage, il a été possible de réaliser des modèles pour la prévision des débits au pas de temps de 15 min à échéance de 6 heures pour les rivières Amber et Mole. On a comparé les performances des RNA et des systèmes conventionnels d'annonce de crue. Les résultats obtenus lors de la validation des prévisions des RNA étaient de qualité comparable à ceux obtenus par les systèmes actuellement utilisés opérationnellement sur la Rivière Amber. La capacité des RNA à gérer les données manquantes et à "apprendre" en temps réel à partir de l'événement en cours, fait de ces outils une alternative séduisante aux actuels modéles de prévision agrégés ou semi-distribués. De plus amples recherches sont cependant nécessaires pour déterminer la période d'apprentissage optimale des RNA pour un bassin donné et selon le contexte climatique et hydrologique.