[article] in Journal of hydrologic engineering > Vol. 10, N°4 (Juillet/Août 2005) . - 264-269 p. | Titre : | Knowledge Extraction from Trained Neural Network River Flow Models | | Titre original : | Extraction de la Connaissance à Partir des Modèles Qualifiés d'Ecoulement de Fleuve de Réseau Neurologique | | Type de document : | texte imprimé | | Auteurs : | Sudheer, K. P., Auteur | | Article en page(s) : | 264-269 p. | | Note générale : | Hydrologie | | Langues : | Anglais (eng) | | Mots-clés : | Neural networks Hydrologic models River flow Réseaux neurologiques Modèles hydrologiques Ecoulement de fleuve | | Index. décimale : | 551.4 | | Résumé : | Artificial neural networks (ANNs), due to their excellent capabilities for modeling complex processes, have been successfully applied to a variety of problems in hydrology. However, one of the major criticisms of ANNs is that they are just black box models, since a satisfactory explanation of their behavior has not been offered. They, in particular, do not explain easily how the input are related to the output, and also whether the selected inputs have any significant relationship with an output. In this paper, a perturbation analysis for determining the order of influence of the elements in the input vector on the output vector is discussed. The Approach is illustrated though a case study of a river flow model developed for the Narmada Basin, India. The Analysis of the results suggest that each variable in the input vector (flow values at different antecedent time steps) influences the shape of hydrograph in different ways. However, the magnitude of the influence cannot be clearly quantified by this approach. Further it adds that the selection of input vector based on linear measures between the variables of interest, which is commonly employed, may still include certain spurious elements that only increase the model complexity.
Des réseaux neurologiques artificiels (ANNs), dus à leurs excellentes possibilités pour modeler des processus complexes, ont été avec succès appliqués à une variété de problèmes en hydrologie. Cependant, une des critiques principales d'ANNs est qu'ils sont les modèles justes de boîte noire, puisqu'une explication satisfaisante de leur comportement n'a pas été offerte. Ils, en particulier, n'expliquent pas facilement comment l'entrée sont liées au rendement, et aussi si les entrées choisies ont n'importe quel rapport significatif avec un résultat. En cet article, une analyse de perturbation pour déterminer l'ordre de l'influence des éléments dans le vecteur d'entrée sur le vecteur de rendement est discutée. L'approche est illustrée bien qu'une étude de cas d'un modèle d'écoulement de fleuve se soit développée pour le bassin de Narmada, l'Inde. L'analyse des résultats suggèrent que chacune variable dans le vecteur d'entrée (valeurs d'écoulement à différentes étapes antécédentes de temps) influence la forme de l'hydrogramme dans différentes manières. Cependant, l'importance de l'influence ne peut pas être clairement mesurée par cette approche. Plus loin elle ajoute que le choix du vecteur d'entrée basé sur des mesures linéaires entre les variables d'intérêt, qui est généralement utilisé, peut immobile inclure certains faux éléments qui augmentent seulement la complexité modèle.
| | En ligne : | sudheer@iitm.ac.in |
[article] Knowledge Extraction from Trained Neural Network River Flow Models = Extraction de la Connaissance à Partir des Modèles Qualifiés d'Ecoulement de Fleuve de Réseau Neurologique [texte imprimé] / Sudheer, K. P., Auteur . - 264-269 p. Hydrologie Langues : Anglais ( eng) in Journal of hydrologic engineering > Vol. 10, N°4 (Juillet/Août 2005) . - 264-269 p. | Mots-clés : | Neural networks Hydrologic models River flow Réseaux neurologiques Modèles hydrologiques Ecoulement de fleuve | | Index. décimale : | 551.4 | | Résumé : | Artificial neural networks (ANNs), due to their excellent capabilities for modeling complex processes, have been successfully applied to a variety of problems in hydrology. However, one of the major criticisms of ANNs is that they are just black box models, since a satisfactory explanation of their behavior has not been offered. They, in particular, do not explain easily how the input are related to the output, and also whether the selected inputs have any significant relationship with an output. In this paper, a perturbation analysis for determining the order of influence of the elements in the input vector on the output vector is discussed. The Approach is illustrated though a case study of a river flow model developed for the Narmada Basin, India. The Analysis of the results suggest that each variable in the input vector (flow values at different antecedent time steps) influences the shape of hydrograph in different ways. However, the magnitude of the influence cannot be clearly quantified by this approach. Further it adds that the selection of input vector based on linear measures between the variables of interest, which is commonly employed, may still include certain spurious elements that only increase the model complexity.
Des réseaux neurologiques artificiels (ANNs), dus à leurs excellentes possibilités pour modeler des processus complexes, ont été avec succès appliqués à une variété de problèmes en hydrologie. Cependant, une des critiques principales d'ANNs est qu'ils sont les modèles justes de boîte noire, puisqu'une explication satisfaisante de leur comportement n'a pas été offerte. Ils, en particulier, n'expliquent pas facilement comment l'entrée sont liées au rendement, et aussi si les entrées choisies ont n'importe quel rapport significatif avec un résultat. En cet article, une analyse de perturbation pour déterminer l'ordre de l'influence des éléments dans le vecteur d'entrée sur le vecteur de rendement est discutée. L'approche est illustrée bien qu'une étude de cas d'un modèle d'écoulement de fleuve se soit développée pour le bassin de Narmada, l'Inde. L'analyse des résultats suggèrent que chacune variable dans le vecteur d'entrée (valeurs d'écoulement à différentes étapes antécédentes de temps) influence la forme de l'hydrogramme dans différentes manières. Cependant, l'importance de l'influence ne peut pas être clairement mesurée par cette approche. Plus loin elle ajoute que le choix du vecteur d'entrée basé sur des mesures linéaires entre les variables d'intérêt, qui est généralement utilisé, peut immobile inclure certains faux éléments qui augmentent seulement la complexité modèle.
| | En ligne : | sudheer@iitm.ac.in |
|
Affiner la rechercheKnowledge Extraction from Trained Neural Network River Flow Models / Sudheer, K. P. in Journal of hydrologic engineering, Vol. 10, N°4 (Juillet/Août 2005)
