| Titre : | Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks (2006) |
| Titre original : | Modèle non-Linéaire pour des Prévisions de Sécheresse Basées sur une Conjonction des Transformations par Ondelettes et des Réseaux Neurologiques |
| Auteurs : | Kim Tae-Woong, Auteur ; Valdés, Juan B., Auteur |
| Type de document : | Article : texte imprimé |
| Dans : | Journal of hydrologic engineering (Vol. 8, N° 6, Novembre/Decembre 2003) |
| Article en page(s) : | 319-328 p. |
| Note générale : | Hydrologie |
| Langues : | Anglais |
| Index. décimale : | 551.4 (surface du globe.Géographie physique.Géomorphologie) |
| Tags : | Droughts Forecasting Neural networks Models Mexico Sécheresses Prévisions Réseaux neurologiques Modèles |
| Résumé : |
Droughts are destructive climatic extreme events that may cause significant damage both in natural environments and in human lives. Drought forecasting plays an important role in the control and management of water resources systems. In this study, a conjunction model is presented to forecast droughts. The Proposed conjunction model is based on dyadic wavelet transforms and neural networks. Neural networks have shown great ability in modeling and forecasting nonlinear and nonstationary time series in a water resources engineering, and wavelet transforms provide useful decompositions of an original time series. The Wavelet transformed data aid in improving the model performance by capturing helpful information on various resolution levels. Neural networks are used to forecast decomposed subsignals in various resolution level and reconstruct forecasted subsignals. The Model was applied to forecast droughts in the Conchos River Basin in Mexico, which is the most important tributary of the Lower Rio Grande/Bravo. The Performance of the conjunction model was measured using various forecast skill criteria. The Results indicate that the conjunction model significantly improves the ability of neural networks to forecast the indexed regional drought.
Les sécheresses sont des événements extrêmes climatiques destructifs qui peuvent endommager significatif dans les environnements normaux et dans les vies humaines. Les prévisions de sécheresse jouent un rôle important dans la commande et la gestion des systèmes de ressources d'eau. Dans cette étude, un modèle de conjonction est présenté aux sécheresses prévues. Le modèle proposé de conjonction est basé sur des transformations par ondelettes dyadiques et des réseaux neurologiques. Les réseaux neurologiques ont montré de grandes capacités en modelant et en prévoyant la série chronologique non-linéaire et non stationnaire dans des ressources d'eau machinant, et les transformations par ondelettes fournissent des décompositions utiles d'une série chronologique originale. L'Ondelette a transformé l'aide de données en améliorant l'exécution modèle en saisissant l'information utile à de divers niveaux de résolution. Des réseaux neurologiques sont employés pour prévoir des subsignals décomposés dans le divers niveau de résolution et pour reconstruire des subsignals prévus. Le modèle a été appliqué aux sécheresses prévues dans le bassin de fleuve de Conchos au Mexique, qui est le tributaire le plus important de Rio inférieur Grande/Bravo. L'exécution du modèle de conjonction a été mesurée en utilisant de divers critères de compétence de prévision. Les résultats indiquent que le modèle de conjonction améliore de manière significative la capacité des réseaux neurologiques de prévoir la sécheresse régionale classée. |
| En ligne : | taek@email.arizona.edu, jvaldes@u.arizona.edu |
