Documents disponibles écrits par cet auteur

Combining Rainfall-Runoff Model Outputs for Improving Ensemble Stream flow Prediction / Kim, Young-Oh in Journal of hydrologic engineering, Vol. 11 N°6 (Novembre/Decembre 2006) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 11 N°6 (Novembre/Decembre 2006) . - 578-588 p. Titre : Combining Rainfall-Runoff Model Outputs for Improving Ensemble Stream flow Prediction Titre original : Sorties de Modèle d'Ecoulement de Précipitations Combinés pour Améliorer la Prévision d'Ecoulement de Jet d'Ensemble Type de document : texte imprimé Auteurs : Kim, Young-Oh, Auteur ; Jeong, Daell, Auteur ; Ko, Ick Hwan Article en page(s) : 578-588 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Forecasting  Probabilistic  methods  Rainfall  Runoff  Korea  Stream  flowPrévisions  Méthodes  probabilistes  Précipitations  Ecoulement  Ecoulement  de  jet Index. décimale : 551 Géologie générale. Géodynamique. Géomorphologie. Résumé : This study reviewed various combining methods that have been commonly used in economic forecasting, and examined their applicability in hydrologic forecasting. The following combining methods were investigated: The simple average, constant coefficient regression, switching regression, sum of squared error, and artificial neural network combining methods. Each method combines ensemble streamflow prediction (ESP) scenarios of the existing rainfall-runoff model, TANK, those of the new rainfall-runoff model that has been developed using an ensemble neural network for forecasting the monthly inflow to the Daecheong multipurpose dam in Korea. In addition to the combining, the ESP scenarios were adjusted using correction methods, such as optimal linear and artificial neural network correction methods. Among the tested combining methods, sum of squared error (SSE), a combining method using time-varying weights, performed best with respect to the root mean square error. When SSE was coupled with optimal linear correction (OLC), denoted SSE/OLC, its bias became sufficiently close to zero. SSE/OLC also considerably improved the probabilistic forecasting accuracy of the existing ESP system. Cette Etude a passé en revue les diverses méthodes de combinaison qui ont été utilisées généralement dans des prévisions économiques, et a examiné leur applicabilité dans des prévisions hydrologiques. Les méthodes de combinaison suivantes ont été étudiées : La régression moyenne et constante simple de coefficient, régression de changement, somme d'erreur carrée, et réseau neurologique artificiel combinant des méthodes. Chaque méthode combine des scénarios de prévision d'écoulement de jet d'ensemble (EN PARTICULIER) du modèle existant d'écoulement de précipitations, le RÉSERVOIR, ceux du nouveau modèle de précipitation-écoulement qui a été développé en utilisant un réseau neurologique d'ensemble pour prévoir l'apport mensuel au barrage universel de Daecheong en Corée. En plus de la combinaison, EN PARTICULIER les scénarios ont été ajustés en utilisant des méthodes de correction, telles que des méthodes linéaires et artificielles optimales de correction de réseau neurologique. Parmi les méthodes de combinaison examinées, somme de l'erreur carrée (SSE), une méthode de combinaison en utilisant les poids variables de temps, exécutés mieux en ce qui concerne l'erreur de moyenne carrée de racine. Quand SSE a été couplé à la correction linéaire optimale (OLC), SSE/OLC dénoté, sa polarisation est devenu suffisamment de près de zéro. SSE/OLC également a considérablement amélioré l'exactitude probabiliste de prévisions d'exister EN PARTICULIER système. En ligne : yokim05@snu.ac.kr [article] Combining Rainfall-Runoff Model Outputs for Improving Ensemble Stream flow Prediction = Sorties de Modèle d'Ecoulement de Précipitations Combinés pour Améliorer la Prévision d'Ecoulement de Jet d'Ensemble [texte imprimé] / Kim, Young-Oh, Auteur ; Jeong, Daell, Auteur ; Ko, Ick Hwan . - 578-588 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 11 N°6 (Novembre/Decembre 2006) . - 578-588 p. Mots-clés : Forecasting  Probabilistic  methods  Rainfall  Runoff  Korea  Stream  flowPrévisions  Méthodes  probabilistes  Précipitations  Ecoulement  Ecoulement  de  jet Index. décimale : 551 Géologie générale. Géodynamique. Géomorphologie. Résumé : This study reviewed various combining methods that have been commonly used in economic forecasting, and examined their applicability in hydrologic forecasting. The following combining methods were investigated: The simple average, constant coefficient regression, switching regression, sum of squared error, and artificial neural network combining methods. Each method combines ensemble streamflow prediction (ESP) scenarios of the existing rainfall-runoff model, TANK, those of the new rainfall-runoff model that has been developed using an ensemble neural network for forecasting the monthly inflow to the Daecheong multipurpose dam in Korea. In addition to the combining, the ESP scenarios were adjusted using correction methods, such as optimal linear and artificial neural network correction methods. Among the tested combining methods, sum of squared error (SSE), a combining method using time-varying weights, performed best with respect to the root mean square error. When SSE was coupled with optimal linear correction (OLC), denoted SSE/OLC, its bias became sufficiently close to zero. SSE/OLC also considerably improved the probabilistic forecasting accuracy of the existing ESP system. Cette Etude a passé en revue les diverses méthodes de combinaison qui ont été utilisées généralement dans des prévisions économiques, et a examiné leur applicabilité dans des prévisions hydrologiques. Les méthodes de combinaison suivantes ont été étudiées : La régression moyenne et constante simple de coefficient, régression de changement, somme d'erreur carrée, et réseau neurologique artificiel combinant des méthodes. Chaque méthode combine des scénarios de prévision d'écoulement de jet d'ensemble (EN PARTICULIER) du modèle existant d'écoulement de précipitations, le RÉSERVOIR, ceux du nouveau modèle de précipitation-écoulement qui a été développé en utilisant un réseau neurologique d'ensemble pour prévoir l'apport mensuel au barrage universel de Daecheong en Corée. En plus de la combinaison, EN PARTICULIER les scénarios ont été ajustés en utilisant des méthodes de correction, telles que des méthodes linéaires et artificielles optimales de correction de réseau neurologique. Parmi les méthodes de combinaison examinées, somme de l'erreur carrée (SSE), une méthode de combinaison en utilisant les poids variables de temps, exécutés mieux en ce qui concerne l'erreur de moyenne carrée de racine. Quand SSE a été couplé à la correction linéaire optimale (OLC), SSE/OLC dénoté, sa polarisation est devenu suffisamment de près de zéro. SSE/OLC également a considérablement amélioré l'exactitude probabiliste de prévisions d'exister EN PARTICULIER système. En ligne : yokim05@snu.ac.kr