Documents disponibles écrits par cet auteur

Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks / Kim Tae-Woong in Journal of hydrologic engineering, Vol. 8, N° 6 (Novembre/Decembre 2003) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 8, N° 6 (Novembre/Decembre 2003) . - 319-328 p. Titre : Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks Titre original : Modèle non-Linéaire pour des Prévisions de Sécheresse Basées sur une Conjonction des Transformations par Ondelettes et des Réseaux Neurologiques Type de document : texte imprimé Auteurs : Kim Tae-Woong, Auteur ; Valdés, Juan B., Auteur Article en page(s) : 319-328 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Droughts  Forecasting  Neural  networks  Models  Mexico  Sécheresses  Prévisions  Réseaux  neurologiques  Modèles Index. décimale : 551.4 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 [article] Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks = Modèle non-Linéaire pour des Prévisions de Sécheresse Basées sur une Conjonction des Transformations par Ondelettes et des Réseaux Neurologiques [texte imprimé] / Kim Tae-Woong, Auteur ; Valdés, Juan B., Auteur . - 319-328 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 8, N° 6 (Novembre/Decembre 2003) . - 319-328 p. Mots-clés : Droughts  Forecasting  Neural  networks  Models  Mexico  Sécheresses  Prévisions  Réseaux  neurologiques  Modèles Index. décimale : 551.4 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

Nonparametric Approach for Bivariate Drought Characterization Using Palmer Drought Index / Valdés, Juan B. in Journal of hydrologic engineering, Vol. 11, N°2 (Mars/Avril 2006) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 11, N°2 (Mars/Avril 2006) . - 134-143 p. Titre : Nonparametric Approach for Bivariate Drought Characterization Using Palmer Drought Index Titre original : Approche non Paramétrique pour la Caractérisation Bivariate de Sécheresse en Utilisant l'Index de Sécheresse de Palmer Type de document : texte imprimé Auteurs : Valdés, Juan B., Auteur ; Kim Tae-Woong, Auteur ; Yoo, Chulsang Article en page(s) : 134-143 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Droughts  Frequency  analysis  Water  shortage  Analyse  de  fréquenceSécheresses  Manque  de  l'eau Index. décimale : 551.4 Résumé : A drought is usually represented by duration and severity, and may last several months or years. Multidimensional characteristics of a drought make univariate analysis unable to reveal the significant relationship among drought properties. Furthermore, historical records tend to be too short to fully evaluate drought characteristics. A pratical method was proposed in this study to estimate the bivariate return period of droughts based on the use of synthetic data to overcome the above considerations. The Bivariate return period of droughts is dependent on the drought interarrival time and the joint distribution of drought properties. A nonparametric method was employed in this study to estimate the joint distribution of drought properties. The Historical droughts in the Conchos River Basin, Mexico were evaluated based on their return period estimated by the proposed method. The Proposed method allowed a better understanding of the joint probabilistic behavior of droughts beyond the limitation of the invariate/parametric frequency analysis. Une période de sécheresse est habituellement représentée par la durée et la sévérité, et peut durer plusieurs mois ou années. Les caractéristiques multidimensionnelles d'une période de sécheresse rendent l'analyse univariable incapable d'indiquer le rapport significatif parmi des propriétés de sécheresse. En outre, les disques historiques tendent à être trop courts pour évaluer entièrement des caractéristiques de sécheresse. On a proposé une méthode pratical dans cette étude pour estimer la période de retour bivariate des sécheresses basées sur l'utilisation des données synthétiques de surmonter les considérations ci-dessus. La période de retour bivariate des sécheresses dépend de la période entre arrivées de sécheresse et de la distribution commune des propriétés de sécheresse. Une méthode non paramétrique a été utilisée dans cette étude pour estimer la distribution commune des propriétés de sécheresse. Les sécheresses historiques dans le bassin de fleuve de Conchos, Mexique ont été évaluées ont basé leur période de retour estimée par la méthode proposée. La méthode proposée a permis un meilleur arrangement du comportement probabiliste commun des sécheresses au delà de la limitation de l'analyse de fréquence paramétrique d'invariate. En ligne : twkim@hanyang.ac.kr, jvaldes@u.arizona.edu, anvchul@korea.ac.kr [article] Nonparametric Approach for Bivariate Drought Characterization Using Palmer Drought Index = Approche non Paramétrique pour la Caractérisation Bivariate de Sécheresse en Utilisant l'Index de Sécheresse de Palmer [texte imprimé] / Valdés, Juan B., Auteur ; Kim Tae-Woong, Auteur ; Yoo, Chulsang . - 134-143 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 11, N°2 (Mars/Avril 2006) . - 134-143 p. Mots-clés : Droughts  Frequency  analysis  Water  shortage  Analyse  de  fréquenceSécheresses  Manque  de  l'eau Index. décimale : 551.4 Résumé : A drought is usually represented by duration and severity, and may last several months or years. Multidimensional characteristics of a drought make univariate analysis unable to reveal the significant relationship among drought properties. Furthermore, historical records tend to be too short to fully evaluate drought characteristics. A pratical method was proposed in this study to estimate the bivariate return period of droughts based on the use of synthetic data to overcome the above considerations. The Bivariate return period of droughts is dependent on the drought interarrival time and the joint distribution of drought properties. A nonparametric method was employed in this study to estimate the joint distribution of drought properties. The Historical droughts in the Conchos River Basin, Mexico were evaluated based on their return period estimated by the proposed method. The Proposed method allowed a better understanding of the joint probabilistic behavior of droughts beyond the limitation of the invariate/parametric frequency analysis. Une période de sécheresse est habituellement représentée par la durée et la sévérité, et peut durer plusieurs mois ou années. Les caractéristiques multidimensionnelles d'une période de sécheresse rendent l'analyse univariable incapable d'indiquer le rapport significatif parmi des propriétés de sécheresse. En outre, les disques historiques tendent à être trop courts pour évaluer entièrement des caractéristiques de sécheresse. On a proposé une méthode pratical dans cette étude pour estimer la période de retour bivariate des sécheresses basées sur l'utilisation des données synthétiques de surmonter les considérations ci-dessus. La période de retour bivariate des sécheresses dépend de la période entre arrivées de sécheresse et de la distribution commune des propriétés de sécheresse. Une méthode non paramétrique a été utilisée dans cette étude pour estimer la distribution commune des propriétés de sécheresse. Les sécheresses historiques dans le bassin de fleuve de Conchos, Mexique ont été évaluées ont basé leur période de retour estimée par la méthode proposée. La méthode proposée a permis un meilleur arrangement du comportement probabiliste commun des sécheresses au delà de la limitation de l'analyse de fréquence paramétrique d'invariate. En ligne : twkim@hanyang.ac.kr, jvaldes@u.arizona.edu, anvchul@korea.ac.kr

Nonparametric Approach for Estimating Return Periods of Droughts in Arid Regions / Kim Tae-Woong in Journal of hydrologic engineering, Vol. 8, N° 5 (Septembre /Octobre 2003) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 8, N° 5 (Septembre /Octobre 2003) . - 237-246 p. Titre : Nonparametric Approach for Estimating Return Periods of Droughts in Arid Regions Titre original : Approche non Paramétrique pour Estimer les Périodes de Retour des Sécheresses dans des Régions Arides Type de document : texte imprimé Auteurs : Kim Tae-Woong, Auteur ; Valdés, Juan B., Auteur ; Yoo, Chulsang Article en page(s) : 237-246 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Droughts  Arid  lands  Frequency  EStimation  Sécheresses  Terres  arides  Fréquence Index. décimale : 551.4 Résumé : Droughts cause severe damage in terms of both natural environments and human lives, and hydrologists and water resources managers are concerned with estimating the relative frequencies of these events. Univariate parametric methods for frequency analysis may not reveal significant relationship among drought characteristics. Alternatively, nonparametric methods provide local estimates of the univariate and multivariate density function by using weighted moving averages of the data in a small neighborhood around the point of estimation and opposed to parametric methods. A Methodology for estimating the return period of droughts using a nonparametric Kernel estimator is presented in order to examine the univariate as well as the bivariate behavior of droughts. After evaluating and validating a nonparametric Kernel estimator, a drought frequency analysis is conducted to estimate the return periods of droughts for the Conchos River Basin in Mexico. The Results show that, for the univariate analysis, the return periods of the severe drought occuring in the 1990s are 100 years or higher. For the bivariate analysis, the return periods are approximately 50 years for joint distributions and more than 120 years for the conditional distributions of severity and duration. Les sécheresses endommagent grave en termes d'environnements normaux et vies d'humain, et des hydrologistes et les directeurs de ressources de l'eau sont concernés par estimer les fréquences relatives de ces événements. Les méthodes paramétriques univariables pour l'analyse de fréquence peuvent ne pas indiquer le rapport significatif parmi des caractéristiques de sécheresse. Alternativement, les méthodes non paramétriques fournissent des évaluations locales de la fonction univariable et multivariable de densité en employant des moyennes mobiles pesées des données dans un petit voisinage autour du point de l'évaluation et opposé aux méthodes paramétriques. Une méthodologie pour estimer la période de retour des sécheresses à l'aide d'un estimateur non paramétrique de grain est présentée afin d'examiner l'univariable aussi bien que le comportement bivariate des sécheresses. Après avoir évalué et validé un estimateur non paramétrique de grain, une analyse de fréquence de sécheresse est conduite pour estimer les périodes de retour des sécheresses pour le bassin de fleuve de Conchos au Mexique. Les résultats prouvent que, pour l'analyse univariable, les périodes de retour de la sécheresse grave se produisant dans les années 90 sont de 100 ans ou plus haut. Pour l'analyse bivariate, les périodes de retour sont approximativement 50 ans pour des distributions communes et plus de 120 ans pour les distributions conditionnelles de la sévérité et de la durée. En ligne : taek@email.arizona.edu, jvaldes@u.arizona.edu, envchul@korea.ac.kr [article] Nonparametric Approach for Estimating Return Periods of Droughts in Arid Regions = Approche non Paramétrique pour Estimer les Périodes de Retour des Sécheresses dans des Régions Arides [texte imprimé] / Kim Tae-Woong, Auteur ; Valdés, Juan B., Auteur ; Yoo, Chulsang . - 237-246 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 8, N° 5 (Septembre /Octobre 2003) . - 237-246 p. Mots-clés : Droughts  Arid  lands  Frequency  EStimation  Sécheresses  Terres  arides  Fréquence Index. décimale : 551.4 Résumé : Droughts cause severe damage in terms of both natural environments and human lives, and hydrologists and water resources managers are concerned with estimating the relative frequencies of these events. Univariate parametric methods for frequency analysis may not reveal significant relationship among drought characteristics. Alternatively, nonparametric methods provide local estimates of the univariate and multivariate density function by using weighted moving averages of the data in a small neighborhood around the point of estimation and opposed to parametric methods. A Methodology for estimating the return period of droughts using a nonparametric Kernel estimator is presented in order to examine the univariate as well as the bivariate behavior of droughts. After evaluating and validating a nonparametric Kernel estimator, a drought frequency analysis is conducted to estimate the return periods of droughts for the Conchos River Basin in Mexico. The Results show that, for the univariate analysis, the return periods of the severe drought occuring in the 1990s are 100 years or higher. For the bivariate analysis, the return periods are approximately 50 years for joint distributions and more than 120 years for the conditional distributions of severity and duration. Les sécheresses endommagent grave en termes d'environnements normaux et vies d'humain, et des hydrologistes et les directeurs de ressources de l'eau sont concernés par estimer les fréquences relatives de ces événements. Les méthodes paramétriques univariables pour l'analyse de fréquence peuvent ne pas indiquer le rapport significatif parmi des caractéristiques de sécheresse. Alternativement, les méthodes non paramétriques fournissent des évaluations locales de la fonction univariable et multivariable de densité en employant des moyennes mobiles pesées des données dans un petit voisinage autour du point de l'évaluation et opposé aux méthodes paramétriques. Une méthodologie pour estimer la période de retour des sécheresses à l'aide d'un estimateur non paramétrique de grain est présentée afin d'examiner l'univariable aussi bien que le comportement bivariate des sécheresses. Après avoir évalué et validé un estimateur non paramétrique de grain, une analyse de fréquence de sécheresse est conduite pour estimer les périodes de retour des sécheresses pour le bassin de fleuve de Conchos au Mexique. Les résultats prouvent que, pour l'analyse univariable, les périodes de retour de la sécheresse grave se produisant dans les années 90 sont de 100 ans ou plus haut. Pour l'analyse bivariate, les périodes de retour sont approximativement 50 ans pour des distributions communes et plus de 120 ans pour les distributions conditionnelles de la sévérité et de la durée. En ligne : taek@email.arizona.edu, jvaldes@u.arizona.edu, envchul@korea.ac.kr

Synthetic Generation of Hydrologic Time Series Based on Nonparametric Random Generation / Valdés, Juan B. in Journal of hydrologic engineering, Vol. 10, N°5 (Septembre /Octobre 2005) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 10, N°5 (Septembre /Octobre 2005) . - 395-404 p. Titre : Synthetic Generation of Hydrologic Time Series Based on Nonparametric Random Generation Titre original : Génération Synthétique de la Série Chronologique Hydrologique Basée sur la Génération Aléatoire non Paramétrique Type de document : texte imprimé Auteurs : Valdés, Juan B., Auteur ; Kim Tae-Woong, Auteur Article en page(s) : 395-404 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Hydrologic  models  Precipitation  Temperature  Time  series  analysis  Random  variables  Modèles  hydrologiques  Analyse  de  série  chronologique  Variables  aléatoires Index. décimale : 551.4 Résumé : Synthetic hydrologic time series can be used to quantify the uncertainty of a water resources system. Conventional parametric models, such as autoregressive moving average or Markovian models, assume that the variable under consideration is Gaussian. This Assumption, however, is a short coming of parametric models and motivates the development of non parametric approaches. Nonparametric models based on a Kernel function have an innate low order structure and are restricted to highly persistent variables. This Study presented a semi nonparametric (SNP) model that takes advantage of both parametric and nonparametric models to generate monthly precipitation and temperature in the Conchos River Basin in Mexico. By adopting a consistent and robust scheme from the Markovian model and a nonparametric mechanism to generate a distribution free random component, the SNP model reliably reproduced sample properties such as mean, variance, correlation, and multimodality in the probability density function. La série chronologique hydrologique synthétique peut être employée pour mesurer l'incertitude d'un système de ressources d'eau. Les modèles paramétriques conventionnels, tels que la moyenne mobile auto-régressive ou les modèles markoviens, supposent que la variable à l'étude est gaussienne. Cette prétention, cependant, est venir court des modèles paramétriques et motive le développement des approches non paramétriques. Les modèles non paramétriques basés sur une fonction de grain ont une basse structure innée d'ordre et sont limités aux variables fortement persistantes. Cette étude a présenté à une semi-finale le modèle (SNP) non paramétrique qui tire profit les modèles paramétriques et non paramétriques pour produire de la précipitation mensuelle et de la température dans le bassin de fleuve de Conchos au Mexique. En adoptant un arrangement cohérent et robuste du modèle markovien et d'un mécanisme non paramétrique pour produire d'un composant aléatoire de distribution librement, des propriétés sûrement reproduites témoin de modèle de SNP telles que le moyen, du désaccord, de la corrélation, et multi-modalité dans la fonction de densité de probabilité. En ligne : twkim72@hanyang.ac.kr, jvaldes@u.arizona.edu [article] Synthetic Generation of Hydrologic Time Series Based on Nonparametric Random Generation = Génération Synthétique de la Série Chronologique Hydrologique Basée sur la Génération Aléatoire non Paramétrique [texte imprimé] / Valdés, Juan B., Auteur ; Kim Tae-Woong, Auteur . - 395-404 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 10, N°5 (Septembre /Octobre 2005) . - 395-404 p. Mots-clés : Hydrologic  models  Precipitation  Temperature  Time  series  analysis  Random  variables  Modèles  hydrologiques  Analyse  de  série  chronologique  Variables  aléatoires Index. décimale : 551.4 Résumé : Synthetic hydrologic time series can be used to quantify the uncertainty of a water resources system. Conventional parametric models, such as autoregressive moving average or Markovian models, assume that the variable under consideration is Gaussian. This Assumption, however, is a short coming of parametric models and motivates the development of non parametric approaches. Nonparametric models based on a Kernel function have an innate low order structure and are restricted to highly persistent variables. This Study presented a semi nonparametric (SNP) model that takes advantage of both parametric and nonparametric models to generate monthly precipitation and temperature in the Conchos River Basin in Mexico. By adopting a consistent and robust scheme from the Markovian model and a nonparametric mechanism to generate a distribution free random component, the SNP model reliably reproduced sample properties such as mean, variance, correlation, and multimodality in the probability density function. La série chronologique hydrologique synthétique peut être employée pour mesurer l'incertitude d'un système de ressources d'eau. Les modèles paramétriques conventionnels, tels que la moyenne mobile auto-régressive ou les modèles markoviens, supposent que la variable à l'étude est gaussienne. Cette prétention, cependant, est venir court des modèles paramétriques et motive le développement des approches non paramétriques. Les modèles non paramétriques basés sur une fonction de grain ont une basse structure innée d'ordre et sont limités aux variables fortement persistantes. Cette étude a présenté à une semi-finale le modèle (SNP) non paramétrique qui tire profit les modèles paramétriques et non paramétriques pour produire de la précipitation mensuelle et de la température dans le bassin de fleuve de Conchos au Mexique. En adoptant un arrangement cohérent et robuste du modèle markovien et d'un mécanisme non paramétrique pour produire d'un composant aléatoire de distribution librement, des propriétés sûrement reproduites témoin de modèle de SNP telles que le moyen, du désaccord, de la corrélation, et multi-modalité dans la fonction de densité de probabilité. En ligne : twkim72@hanyang.ac.kr, jvaldes@u.arizona.edu