[article] in Journal of hydrologic engineering > Vol. 9, N° 1 (Janvier/Fevrier 2004) . - 1-12 p. | Titre : | Neural Networks for Rainfall Forecasting by Atmospheric Downscaling | | Titre original : | Réseaux Neurologiques pour des Prévisions de Précipitations par la Graduation Atmosphérique | | Type de document : | texte imprimé | | Auteurs : | Olsson, J., Auteur ; Jinno, K., Auteur ; Uvo, C. B. ; Kawamura, A. ; Nishiyama, K. ; Koreeda, N. ; Nakashima, T. ; Morita, O. | | Article en page(s) : | 1-12 p. | | Note générale : | Hydrologie | | Langues : | Anglais (eng) | | Mots-clés : | Neural networks Rainfall Forecasting Japan Réseaux neurologiques Précipitations Prévisions Japon | | Index. décimale : | 551.4 | | Résumé : | Several studies have used artificial neural networks (NNs) to estimate local or regional precipitation/rainfall on the basis of relationships with coarse resolution atmospheric variables. None of these experiments satisfactorily reproduced temporal intermittency and variability in rainfall. We attempt to improve performance by using two approaches: (1) couple two NNs in series, the first to determine rainfall occurence, and the second to determine rainfall intensity during rainy periods; and (2) categorize rainfall into intensity categories and train the NN to reproduce these rather than the actuel intensities. The Experiments focused on estimating 12-h mean rainfall in the Chikugo River basin, Kyushu Island, southern Japan, from large scale values of wind speeds at 850 hPa and precipitable water. The Results indicated that (1) two NNs in series may greatly improve the reproduction of intermittency; (2) longer data series are required to reproduce variability; (3) intensity categorization may be useful for probabilistic forecasting; and (4) overall performance in this region is better during winter and spring than during summer and autumn.
Plusieurs études ont employé les réseaux neurologiques artificiels (NNs) pour estimer precipitation/rainfall local ou régional sur la base des rapports avec des variables atmosphériques de résolution brute. Aucune de ces expériences n'a d'une manière satisfaisante reproduit l'intermittency et la variabilité temporels dans les précipitations. Nous essayons d'améliorer l'exécution en employant deux approches : (1) couples deux NNs en série, le premier pour déterminer l'occurence de précipitations, et la seconde pour déterminer l'intensité de précipitations pendant des périodes pluvieuses ; et (2) classent des précipitations dans des catégories d'intensité et forment par catégorie le NN pour reproduire ces derniers plutôt que les intensités d'actuel. Les expériences se sont concentrées sur estimer 12-h les précipitations moyennes dans le bassin de fleuve de Chikugo, l'île de Kyushu, Japon méridional, des valeurs de grande échelle des vitesses de vent au hPa 850 et à l'eau précipitable. Les résultats ont indiqué que (1) deux NNs en série peuvent considérablement améliorer la reproduction de l'intermittency ; (2) de plus longues séries de données sont exigées pour reproduire la variabilité ; (3) la catégorisation d'intensité peut être utile pour des prévisions probabilistes ; et (4) l'exécution globale dans cette région est meilleure pendant l'hiver et le printemps que pendant l'été et l'automne. | | En ligne : | jonas.olsson@smhi.se |
[article] Neural Networks for Rainfall Forecasting by Atmospheric Downscaling = Réseaux Neurologiques pour des Prévisions de Précipitations par la Graduation Atmosphérique [texte imprimé] / Olsson, J., Auteur ; Jinno, K., Auteur ; Uvo, C. B. ; Kawamura, A. ; Nishiyama, K. ; Koreeda, N. ; Nakashima, T. ; Morita, O. . - 1-12 p. Hydrologie Langues : Anglais ( eng) in Journal of hydrologic engineering > Vol. 9, N° 1 (Janvier/Fevrier 2004) . - 1-12 p. | Mots-clés : | Neural networks Rainfall Forecasting Japan Réseaux neurologiques Précipitations Prévisions Japon | | Index. décimale : | 551.4 | | Résumé : | Several studies have used artificial neural networks (NNs) to estimate local or regional precipitation/rainfall on the basis of relationships with coarse resolution atmospheric variables. None of these experiments satisfactorily reproduced temporal intermittency and variability in rainfall. We attempt to improve performance by using two approaches: (1) couple two NNs in series, the first to determine rainfall occurence, and the second to determine rainfall intensity during rainy periods; and (2) categorize rainfall into intensity categories and train the NN to reproduce these rather than the actuel intensities. The Experiments focused on estimating 12-h mean rainfall in the Chikugo River basin, Kyushu Island, southern Japan, from large scale values of wind speeds at 850 hPa and precipitable water. The Results indicated that (1) two NNs in series may greatly improve the reproduction of intermittency; (2) longer data series are required to reproduce variability; (3) intensity categorization may be useful for probabilistic forecasting; and (4) overall performance in this region is better during winter and spring than during summer and autumn.
Plusieurs études ont employé les réseaux neurologiques artificiels (NNs) pour estimer precipitation/rainfall local ou régional sur la base des rapports avec des variables atmosphériques de résolution brute. Aucune de ces expériences n'a d'une manière satisfaisante reproduit l'intermittency et la variabilité temporels dans les précipitations. Nous essayons d'améliorer l'exécution en employant deux approches : (1) couples deux NNs en série, le premier pour déterminer l'occurence de précipitations, et la seconde pour déterminer l'intensité de précipitations pendant des périodes pluvieuses ; et (2) classent des précipitations dans des catégories d'intensité et forment par catégorie le NN pour reproduire ces derniers plutôt que les intensités d'actuel. Les expériences se sont concentrées sur estimer 12-h les précipitations moyennes dans le bassin de fleuve de Chikugo, l'île de Kyushu, Japon méridional, des valeurs de grande échelle des vitesses de vent au hPa 850 et à l'eau précipitable. Les résultats ont indiqué que (1) deux NNs en série peuvent considérablement améliorer la reproduction de l'intermittency ; (2) de plus longues séries de données sont exigées pour reproduire la variabilité ; (3) la catégorisation d'intensité peut être utile pour des prévisions probabilistes ; et (4) l'exécution globale dans cette région est meilleure pendant l'hiver et le printemps que pendant l'été et l'automne. | | En ligne : | jonas.olsson@smhi.se |
|
Affiner la rechercheNeural Networks for Rainfall Forecasting by Atmospheric Downscaling / Olsson, J. in Journal of hydrologic engineering, Vol. 9, N° 1 (Janvier/Fevrier 2004)
