Ensemble model to enhance robustness of flash flood forecasting using an Artificial Neural Network: case-study on the Gardon Basin (south-eastern France)

• T. Darras ^[1] ; A. Johannet ^[1] ; B. Vayssade ^[1] ; L. Kong-A-Siou ; S. Pistre ^[1]
  1. [1] University of Montpellier

     University of Montpellier

     Arrondissement of Montpellier, Francia

     
• Localización: Boletín geológico y minero, ISSN 0366-0176, Vol. 129, Nº 3, 2018 (Ejemplar dedicado a: Análisis de series temporales en Ciencias de la Tierra ), págs. 565-578
• Idioma: inglés
• Títulos paralelos:
  • Modelo de "ensemble" para incrementar la robusted de la predicción de avenidas utilizando redes neuronales artificiales: aplicación a la cuenca Gardon (sureste de Francia)
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En las últimas décadas el uso de redes neuronales en la modelización hidrológica ha aumentado, debido a su propiedad fundamental como aproximador universal y parsimónico de funciones no lineales. En el campo de la previsión de inundaciones, los perceptrones de alimentación directa (feed-forward) y de tipo multicapa recurrentes (recurrent multilayer) han confirmado su eficiencia. Sin embargo, la capacidad predictiva depende de los parámetros de inicialización del sistema neuronal. La eficacia del método de validación cruzada para seleccionar las condiciones óptimas de inicialización que conducen a las mejores predicciones ha sido analizada. La dependencia de la inicialización en los modelos de retroalimentación y de multicapa recurrente ha sido comparada para las predicciones con antelación de una hora. Nuestro trabajo demuestra que la validación cruzada no permite la selección de la mejor inicialización. Un modelo más robusto ha sido desarrollado gracias al uso de la mediana de los resultados de varios modelos; en ese contexto, este trabajo analiza la estructura de los meta modelos tanto para los sistemas basados en redes retroalimentadas como para aquellos basados en redes multicapa recurrentes.

  • English

    During the last few decades neural networks have been increasingly used in hydrological modelling for their fundamental property of parsimony and of universal approximation of non-linear functions. For the purpose of flash flood forecasting, feed-forward and recurrent multi-layer perceptrons appear to be efficient tools.

    Nevertheless, their forecasting performances are sensitive to the initialization of the network parameters. We have studied the cross-validation efficiency to select initialization providing the best forecasts in real time situation. Sensitivity to initialization of feed-forward and recurrent models is compared for one-hour lead-time forecasts. This study shows that cross-validation is unable to select the best initialization. A more robust model has been designed using the median of several models outputs; in this context, this paper analyses the design of the ensemble model for both recurrent and feed-forward models.