Modelling and forecasting of hydrological variables using artificial neural networks: the Kafue River sub-basin

Abstract

A simple reservoir routing scheme is applied to the available hydrometeorlogical data from the Kafue River sub-drainage basin in Zambia to derive flow contributions from the ungauged parts of the basin. The derived flow series and the time series of historic flow measured at the Kafue Hook Bridge (KHB) are separately modelled using artificial neural networks (ANNs). For each of these two flow series, relevant input variables are determined with the help of input—output intercorrelations, where inputs are given to a host of three-layer feedforward back-propagation (FF-BP) ANNs to predict the current, derived flow or KHB flow. A couple of ANN models selected on the basis of defined criteria are then used to forecast the flows at m time steps ahead. To evaluate the forecasting performance of the best ANN models, comparison with best autoregressive moving average models with exogenous inputs, ARMAX, is made. In both cases the ANNs give more robust forecasts over long terms than the ARMAX models, thereby making ANNs a viable alternative in flow forecasting. Un simple modèle de routage de type réservoir est appliqué aux données hydrométéorologiques disponibles du sous-bassin versant de la rivière Kafue en Zambie, pour estimer les contributions à l'écoulement des parties non jaugées du bassin. Les séries de débits dérivées et les données chronologiques de débit mesurées au pont Kafue Hook Bridge (KHB) sont modélisées séparement en utilisant la technique des réseaux de neurones artificiels (RNA). Pour chacune de ces deux séries de débit des facteurs appropriés sont déterminés à l'aide des inter-correlations entrées—sorties, lesquels facteurs sont soumis à un certain nombre de RNAs non récurrents à rétro-propagation à trois couches pour prédire le débit actuel du pont KHB ou son débit dérivé. Quelques modèles RNA sélectionnés sur la base de critères bien définis sont alors utilisés pour prévoir les débits m pas de temps plus tard. Pour évaluer la performance de prévision des meilleurs modèles RNA, une comparaison est faite avec les meilleurs modèles autoregressifs de moyenne mobile (avec des données d'entrée exogènes), ARMAX. Dans les deux cas, les RNAs donnent des prévisions à long terme plus robustes que les modèles ARMAX, faisant ainsi des RNAs une alternative viable dans la prévision des débits.