Artificial neural networks as rainfall- runoff models

A series of numerical experiments, in which flow data were generated from synthetic storm sequences routed through a conceptual hydrological model consisting of a single nonlinear reservoir, has demonstrated the closeness of fit that can be achieved to such data sets using Artificial Neural Networks (ANNs). The application of different standardization factors to both training and verification sequences has underlined the importance of such factors to network performance. Trials with both one and two hidden layers in the ANN have shown that, although improved performances are achieved with the extra hidden layer, the additional computational effort does not appear justified for data sets exhibiting the degree of nonlinear behaviour typical of rainfall and flow sequences from many catchment areas. Modélisation pluie-débit par des réseaux neuroneaux artificiels Résumé Dans une série d'expériences numériques, des débits ont été générés à partir de séquences synthétiques d'événements pluvieux grâce à l'utilisation d'un modèle hydrologique conceptuel constitué d'un seul réservoir non linéaire. Ces expériences ont montré la qualité de l'ajustement que l'on peut obtenir pour ce type de données en mettant en oeuvre des Réseaux Neuronaux Artificiels (RNA). L'utilisation de différents facteurs de standardisation au cours des séquences d'apprentissage et de vérification a permis de mettre en évidence la grande influence de ces facteurs sur la qualité des performances d'un réseau. Les essais effectués avec des RNA comprenant une ou deux couches cachées on montré que, si une amélioration de la performance est obtenue avec une couche cachée supplémentaire, l'effort de calcul correspondant ne semble pas être justifié pour les ensembles de donnés manifestant le degré de comportement non linéaire typique pour des séquences de pluies et de débits rencontrées dans la plupart des bassins versants.