Artificial neural network methods applied to forecasting river levels

Abstract

The use of data-driven models may be an important alternative in several scientific fields, especially when the available data do not allow utilizing physical hydrologic models because these data must be measured in the basin. This paper explores important aspects of ANN use: initial training conditions, performance assessment, partitioning of the strong seasonal component in short-term samples and ranking results by a weighted score. Sequential partitioning of the sample was shown to be adequate for cases where the data series has a strong seasonal component and short time response. The nonexceeded error was associated with its frequency, giving a measure of performance that is easily understood and which does not depend on the long familiarity required by traditional methods to evaluate results. A weighted score calculated from several indices removed the difficulty of how to reconcile several statistical measures of performance. The need for repeated artificial neural network training using random starting conditions is established, and the ideal number of repetitions to ensure good training was investigated. A straightforward approach to visualization of forecasting errors is presented, and a pseudo-extrapolation region at the domain extremes is identified. The methods were explored using the Quaraí river basin, whose specific characteristics include a rapid response to precipitation events. It therefore provides a good test of artificial neural network methods, including the use of rainfall forecasts which, to be combined with existing data resources, required novel methodological approaches.

A utilização de modelos orientados pelos dados (“data-driven models”) pode ser uma alternativa importante, principalmente quando não se dispõe de dados que permitam a utilização de modelos de base física, providos de parâmetros estabelecidos em função das propriedades medidas no sistema. O presente trabalho explora aspectos importantes na utilização das redes neurais artificiais: Condições iniciais aleatórias do treinamento, a avaliação do desempenho, o particionamento dos dados para amostras pequenas com forte sazonalidade e o ordenamento dos resultados por meio de um índice ponderador de diversas estatísticas. Uma técnica de particionamento seqüencial mostrou-se adequada para casos em que a série de dados apresenta forte sazonalidade e rápida resposta temporal. Os quantis das amostras dos erros, utilizados como índices de não-excedência associados à frequência de ocorrência fornecem uma estatística de desempenho de fácil percepção, cujo significado, em termos absolutos, permite interpretação direta, independentemente da experiência prévia, como acontece com os tradicionais métodos de avaliação de desempenho de resultados. Um índice ponderado calculado com base em vários índices de desempenho removeu a dificuldade de como conciliar a contradição entre diversas estatísticas de medição de desempenho. A necessidade de repetir o treinamento da rede neural artificial usando condições iniciais aleatórias é confirmada, e foi investigado o número ideal de repetições necessárias para garantir um bom treinamento. Uma visualização dos erros em função do nível d’água em ordem crescente é apresentada, e uma região de pseudo-extrapolação para os valores extremos é identificada. Os métodos foram explorados em uma aplicação para a bacia do rio Quaraí, que apresenta uma rápida resposta para eventos de precipitação. As dificuldades resultantes da rapidez das respostas, por um lado, limitam o desempenho que é possível alcançar, porém, por outro, constitui uma oportunidade para avaliar as metodologias aplicadas, incluindo o uso de previsões de precipitação, que, combinada com os dados de monitoramento existentes, acabam por requerer uma nova metodologia de abordagem.