Applying soft computing approaches to river level forecasting

This paper assesses one of many potential enhancements to conventional flood forecasting that can be achieved through the use of soft computing technologies. A methodology is outlined in which the forecasting data set is split into subsets before training with a series of neural networks. These networks are then recombined via a rule-based fuzzy logic model that has been optimized using a genetic algorithm. The methodology is demonstrated using historical time series data from the Ouse River catchment in northern England. The model forecasts are assessed on global performance statistics and on a more specific flood-related evaluation measure, and they are compared to benchmarks from a statistical model and naive predictions. The overall results indicate that this methodology may provide a well performing, low-cost solution, which may be readily integrated into existing operational flood forecasting and warning systems. L'utilisation de logiciels pour la prévision du niveau des rivières Résumé Cet article évalue une des nombreuses améliorations possibles aux méthodes classiques de prévision des inondations que peut apporter l'utilisation de logiciels informatiques. La méthode exposée consiste à diviser les données en sous-ensembles avant de les utiliser pour le calage d'un ensemble de réseaux de neurones. Ces réseaux sont ensuite recombinés suivant un modèle de règles s'appuyant sur la logique floue, optimisé selon un algorithme génétique. La méthode est validée sur les données historiques de la rivière Ouse située dans le nord de l'Angleterre. Les modèles de prévision ont été évalués grâce à des statistiques d'ensemble et à des comparaisons concernant des inondations particulières puis comparés aux résultats d'un modèle statistique et à des prévisions intuitives. Dans l'ensemble il apparaît que cette méthode est très performante, que son coût est modéré et qu'elle peut-être facilement intégrée à des systèmes réels et opérationnels de prévision du risque d'inondation.