An artificial neural network approach to rainfall-runoff modelling

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.Une approche de la modlisation pluie-deblt par ies rseaux neuronaux artificiels Rsum Ce document traite du dveloppement et de l'application des rseaux neuronaux artificiels (RNA) la prvision des dbits de deux bassins versants du Royaume Uni sujets aux inondations grce l'utilisation de donnes hydromtriques relles.Partant d'un ensemble restreint de donnes d'apprentissage, il a t possible de raliser des modles pour la prvision des dbits au pas de temps de 15 min chance de 6 heures pour les rivires Amber et Mole.On a compar les performances des RNA et des systmes conventionnels d'annonce de crue.Les rsultats obtenus lors de la validation des prvisions des RNA taient de qualit comparable ceux obtenus par les systmes actuellement utiliss oprationnellement sur la Rivire Amber.La capacit des RNA grer les donnes manquantes et "apprendre" en temps rel partir de l'vnement en cours, fait de ces outils une alternative sduisante aux actuels modles de prvision agrgs ou semi-distribus.De plus amples recherches sont cependant ncessaires pour dterminer la priode d'apprentissage optimale des RNA pour un bassin donn et selon le contexte climatique et hydrologique.