Generalized regression neural networks for evapotranspiration modelling
- 1 December 2006
- journal article
- Published by Taylor & Francis in Hydrological Sciences Journal
- Vol. 51 (6), 1092-1105
- https://doi.org/10.1623/hysj.51.6.1092
Abstract
The potential is investigated of the generalized regression neural networks (GRNN) technique in modelling of reference evapotranspiration (ET0) obtained using the FAO Penman-Monteith (PM) equation. Various combinations of daily climatic data, namely solar radiation, air temperature, relative humidity and wind speed, are used as inputs to the ANN so as to evaluate the degree of effect of each of these variables on ET0. In the first part of the study, a comparison is made between the estimates provided by the GRNN and those obtained by the Penman, Hargreaves and Ritchie methods as implemented by the California Irrigation Management System (CIMIS). The empirical models were calibrated using the standard FAO PM ET0 values. The GRNN estimates are also compared with those of the calibrated models. Mean square error, mean absolute error and determination coefficient statistics are used as comparison criteria for the evaluation of the model performances. The GRNN technique (GRNN 1) whose inputs are solar... Résumé Le potentiel de la technique des réseaux de neurones de régression généralisée (RNRG) est étudié pour modéliser l'évapotranspiration de référence (ET0) obtenue par application de l'équation FAO Penman-Monteith (PM). Différentes combinaisons de données climatiques journalières, en l'occurrence de rayonnement solaire, température de l'air, humidité relative et vitesse du vent, sont utilisées en entrée du réseau de neurones artificiel afin d'évaluer l'influence de chacune de ces variables sur ET0. Dans la première partie de cette étude, une comparaison est faite entre les estimations fournies par le RNRG et celles produites par les méthodes de Penman, Hargreaves et Ritchie, telles qu'elles sont implémentées dans le California Irrigation Management System (CIMIS). Les modèles empiriques ont été calés gràce aux valeurs standard FAO PM de l'ET0. Les estimations du RNRG ont également été comparées avec celles des modèles calés. Les statistiques d'erreur quadratique moyenne, d'erreur absolue moyenne et de ...Keywords
This publication has 18 references indexed in Scilit:
- Suspended sediment estimation using neuro-fuzzy and neural network approaches/Estimation des matières en suspension par des approches neurofloues et à base de réseau de neuronesHydrological Sciences Journal, 2005
- Application of Generalized Regression Neural Networks to Intermittent Flow Forecasting and EstimationJournal of Hydrologic Engineering, 2005
- Sources of Variability of Evapotranspiration in CaliforniaJournal of Hydrometeorology, 2005
- Estimation, forecasting and extrapolation of river flows by artificial neural networksHydrological Sciences Journal, 2003
- Comparative Analysis of Event-based Rainfall-runoff Modeling Techniques—Deterministic, Statistical, and Artificial Neural NetworksJournal of Hydrologic Engineering, 2003
- Estimating Evapotranspiration using Artificial Neural NetworkJournal of Irrigation and Drainage Engineering, 2002
- An artificial neural network approach to rainfall-runoff modellingHydrological Sciences Journal, 1998
- Neural Networks for River Flow PredictionJournal of Computing in Civil Engineering, 1994
- Reference Crop Evapotranspiration from TemperatureApplied Engineering in Agriculture, 1985
- Evaporation into the AtmospherePublished by Springer Nature ,1982