Drought Forecasting Using a Hybrid Stochastic and Neural Network Model

Mishra, Ashok Kumar; Desai, V. R.; Singh, Vijay P.

doi:10.1061/(asce)1084-0699(2007)12:6(626)

Cited by 228 publications

(116 citation statements)

References 30 publications

Supporting

Mentioning

106

Contrasting

Unclassified

Order By: Relevance

“…Mishra et al (2007), Abudu et al (2010), Kişi et al (2012) and Valipour et al (2013). The same applies to Khan and Coulibaly (2006), Lin et al (2006), Wang et al (2009), Shabri andSuhartono (2012), Belayneh et al (2014) and Patel and Ramachandran (2014), albeit the latter studies also include SVM methods in the comparisons.…”

Section: Right After the Introduction Of The Currently Classical Automentioning

confidence: 94%

Comparison of Stochastic and Machine Learning Methods for Multi-Step Ahead Forecasting of Hydrological Processes

Papacharalampous¹,

Tyralis²,

Koutsoyiannis³

2017

Preprint

View full text Add to dashboard Cite

Abstract:We perform an extensive comparison between 11 stochastic to 9 machine learning methods regarding their multi-step ahead forecasting properties by conducting 12 large-scale computational experiments. Each of these experiments uses 2 000 time series generated by linear stationary stochastic processes. We conduct each simulation experiment twice; the first time using time series of 110 values and the second time using time series of 310 values. Additionally, we conduct 92 real-world case studies using mean monthly time series of streamflow and particularly focus on one of them to reinforce the findings and highlight important facts. We quantify the performance of the methods using 18 metrics. The results indicate that the machine learning methods do not differ dramatically from the stochastic, while none of the methods under comparison is uniformly better or worse than the rest. However, there are methods that are regularly better or worse than others according to specific metrics.

show abstract

Section: Right After the Introduction Of The Currently Classical Automentioning

confidence: 94%

Comparison of Stochastic and Machine Learning Methods for Multi-Step Ahead Forecasting of Hydrological Processes

Papacharalampous¹,

Tyralis²,

Koutsoyiannis³

2017

Preprint

View full text Add to dashboard Cite

show abstract

“…H καινοτομία της διατριβής είναι ότι προσπαθεί να δημιουργήσει ένα γενικευμένο χρονικό μοντέλο για ταυτόχρονη χωροχρονική πρόγνωση του SPI στους βροχομετρικούς σταθμούς της υδρολογικής λεκάνης του Πηνειού ποταμού. Τα πολυεπίπεδα προς τα εμπρός τροφοδοτούμενα νευρωνικά δίκτυα (MLPs ANNs) επιλέχτηκαν για την ταυτόχρονη χρονική πρόγνωση βραχυπρόθεσμων και μεσοπρόθεσμων κλιμάκων πρόγνωσης (lead times), γιατί προγενέστερες μελέτες έδωσαν καλύτερα αποτελέσματα από άλλες τεχνικές πρόγνωσης για πρόγνωση των επιφανειακών τιμών του SPI στην υδρολογική λεκάνη του Πηνειού ποταμού Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες πρόγνωσης μετεωρολογικών δεικτών ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009;Cutore et al, 2009]. Ακολουθήθηκαν δύο προσεγγίσεις πολλαπλών χρονικών βημάτων πρόγνωσης.…”

Section: ανάλυση των καινοτόμων στοιχείωνunclassified

“…Ο ποιοτικός δείκτης κρίσιμης επιτυχίας CSI (Critical Success Index ή Threat Score) [Schaefer 1990], που υπολογίζεται από τον πίνακα αξιολόγησης των αποτελεσμάτων πρόγνωσης επεισοδίων ξηρασίας (contingency table) για τιμές SPI≤-1, χρησιμοποιήθηκε για την αξιολόγηση των προγνώσεων και την επιλογή του χρονικού βήματος πρόγνωσης για επιχειρησιακές εφαρμογές [Vasiliades and Loukas, 2010a]. Τα αποτελέσματα που παρουσιάζονται στο Κεφάλαιο 7 δείχνουν ότι η γενικευμένη χρονική μεθοδολογία έχει καλύτερα στατιστικά κριτήρια πρόγνωσης του SPI από προηγούμενες έρευνες στην περιοχή μελέτης Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες χρονικής πρόγνωσης του SPI [Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009].…”

Section: ανάλυση των καινοτόμων στοιχείωνunclassified

“…Επίσης, στην ίδια λεκάνη η εφαρμογή των νευρωνικών δικτύων [Mishra and Desai, 2006] και ενός συνδυαστικού (υβριδικού) μοντέλου που αποτελείται από εποχικά μοντέλα ARIMA και νευρωνικά δίκτυα για τα υπόλοιπα των SARIMA [Mishra et al, 2007] έδειξαν ότι οι προγνώσεις βελτιώνονται για μεσοπρόθεσμα διαστήματα πρόγνωσης από 3 μήνες μπροστά. Επίσης, σε μία άλλη μελέτη παρόμοια αποτελέσματα παρουσιάστηκαν για την πρόγνωση της ξηρασίας με χρήση του δείκτη ξηρασίας SPI υπολογισμένου για χρονικές κλίμακες 3-month, 6-month, 9-month, 12-month και 24-month στην υδρολογική λεκάνη του Πηνειού ποταμού .…”

Section: εφαρμογές μηχανικής μάθησης στην πρόγνωση ξηρασίαςunclassified

“…Κάποιες μελέτες έδειξαν ότι η επαναληπτική μέθοδος δίνει καλύτερα αποτελέσματα [Weigend et al, 1992;Hill et al, 1994] ενώ άλλες μελέτες έδειξαν ότι η ευθεία πρόγνωση πολλαπλών βημάτων πρέπει να προτιμάται από την επαναληπτική μέθοδο [Zhang, 1994;Hamzacebi et al, 2009]. Άλλες μελέτες έδειξαν ότι η επαναληπτική μέθοδος είναι ελαφρώς καλύτερη για βραχυπρόθεσμες προγνώσεις, αλλά για μεσοπρόθεσμες προγνώσεις η ευθεία μέθοδος πρέπει να προτιμάται για μετεωρολογικούς δείκτες ξηρασίας [Mishra et al, 2007;Vasiliades and Loukas, 2007]. Οι Lachtermacher and Fuller [1995] επισημαίνουν ότι η ευθεία μέθοδος χρειάζεται περισσότερα δεδομένα από την επαναληπτική μέθοδο για την αποφυγή της υπερπροσαρμογής των ΑΝΝs.…”

Section: προσέγγιση πολλαπλών χρονικών βημάτων πρόγνωσηςunclassified

See 2 more Smart Citations

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

Vasiliades¹,

Βασιλειάδης²

View full text Add to dashboard Cite

i ΠΡΟΛΟΓΟΣ ΠΡΟΛΟΓΟΣ Η παρούσα διατριβή αποτελεί επιστέγασμα μιας ερευνητικής προσπάθειας που αν και τυπικά κράτησε πέντε χρόνια ενσωματώνει εμπειρίες μιας δωδεκαετίας. Ως συμβασιούχος υπάλληλος στο Πανεπιστήμιο Θεσσαλίας το καλοκαίρι του 1998, ήρθα σε πρώτη επαφή με τον άνθρωπο, προϊστάμενο μου τότε, Δρ. Αθανάσιο Λουκά που η γνωριμία μου μαζί του έπαιξε ένα τεράστιο ρόλο στη μετέπειτα πορεία μου στην έρευνα και στη ζωή. Αν και έχω χίλιους λόγους για να τον ευχαριστήσω όλα αυτά τα χρόνια της γνωριμίας μας, ας μου επιτρέψει να διαλέξω εκείνη την τόσο καθοριστική συζήτηση μας περί υδρολογίας με τα 'equations' όπου η ενασχόληση μου με το ερευνητικό πεδίο της υδρολογίας είχε ήδη δρομολογηθεί. Έτσι, η συνεργασία μου με τον κ. Α. Λουκά, από το 1998 έως το 2005, άνθισε σε διάφορα πεδία της υδρολογίας μεταξύ των οποίων και η ξηρασία. Η έλλειψη ενός ολοκληρωμένου συστήματος πρόγνωσης και παρακολούθησης της ξηρασίας ήταν η αιτία που ασχολήθηκα με το θέμα αυτό, στοχεύοντας σε μια πιο ολοκληρωμένη θεώρηση. Η όλη προσπάθεια υπήρξε επίπονη και πάντα ανακάλυπτα ότι κάτι λείπει και μπορεί να βελτιωθεί. Κάθε σελίδα αυτής της διατριβής αντιπροσωπεύει, πλέον της ερευνητικής μου προσπάθειας για συνεισφορά στην επιστήμη με καινοτομία, σκέψεις και ιδέες, και μία ανάμνηση συνδεδεμένη με διαφορετικές εμπειρίες, φάσεις ζωής και τόπους διαβίωσης. Θέλω να πιστεύω ότι το τελικό αποτέλεσμα καλύπτει αυτό που είχα στο μυαλό μου ως συμβολή στην έρευνα.Η διδακτορική διατριβή εκπονήθηκε στο Τμήμα Πολιτικών Μηχανικών της Πολυτεχνικής Σχολής του Πανεπιστημίου Θεσσαλίας από τον άνοιξη του 2005 έως το καλοκαίρι του 2010. Στο χρονικό αυτό διάστημα έλαβα πολύτιμη βοήθεια και καθοδήγηση από αξιόλογους επιστήμονες, που επιβεβαίωναν απρόσκοπτα με την υποστήριξή τους την ιδιότητα του «δασκάλου». Αυτούς τους αξιόλογους ανθρώπους θεωρώ χρέος μου να τους ευχαριστήσω ιδιαίτερα.Επιβλέπων και καθοδηγητής των μεταπτυχιακών μου σπουδών ήταν ο κ. Αθανάσιος Λουκάς, Αναπληρωτής Καθηγητής του Τμήματος Πολιτικών Μηχανικών Π.Θ., ο οποίος με συνόδευσε σε κάθε ερευνητική μου ανησυχία και συντέλεσε καθοριστικά στην ολοκλήρωση αυτής της διατριβής. Στη διάρκεια της συνεργασίας μας με καθοδήγησε σε ένα μονοπάτι ισορροπίας ανάμεσα στη δημιουργικότητα και τη μεθοδικότητα. Ο άνθρωπος αυτός με δίδαξε πραγματικά εντός και εκτός επιστημονικού πεδίου και τον θεωρώ ως υπόδειγμα δασκάλου και ανθρώπου προς μίμηση.Αρωγός στην προσπάθειά μου υπήρξε επίσης ο κ. Νικήτας Μυλόπουλος, Αναπληρωτής Καθηγητής του Τμήματος Πολιτικών Μηχανικών Π.Θ. και μέλος της τριμελούς συμβουλευτικής επιτροπής, άνθρωπος τον οποίο εκτιμώ ιδιαίτερα, καθώς μου μετέδιδε αδιαλείπτως τη γνώση και την εμπειρία του σε κάθε εξειδικευμένο θέμα και μου ασκούσε εποικοδομητική κριτική, αποτρέποντας με από λάθος κατευθύνσεις, όποτε αυτό χρειαζόταν. Πολύτιμη υπήρξε η συνεργασία μου με τον κ. Μαργαρίτη Βαφειάδη, Αναπληρωτή Καθηγητή του Τμήματος Πολιτικών Μηχανικών Α.Π.Θ και μέλος της τριμελούς συμβουλευτικής επιτροπής, ο οποίος με κατεύθυνε στο επιστημονικό πεδίο των χρονοσειρών και λειτούργησε συμβουλευτικά στην υλοποίηση της...

show abstract

Characterizing the extreme 2015 snowpack deficit in the Sierra Nevada (USA) and the implications for drought recovery

Margulis

Cortés

Girotto

et al. 2016

Geophysical Research Letters

View full text Add to dashboard Cite

Analysis of the Sierra Nevada (USA) snowpack using a new spatially distributed snow reanalysis data set, in combination with longer term in situ data, indicates that water year 2015 was a truly extreme (dry) year. The range‐wide peak snow volume was characterized by a return period of over 600 years (95% confidence interval between 100 and 4400 years) having a strong elevational gradient with a return period at lower elevations over an order of magnitude larger than those at higher elevations. The 2015 conditions, occurring on top of three previous drought years, led to an accumulated (multiyear) snowpack deficit of ~ −22 km3, the highest over the 65 years analyzed. Early estimates based on 1 April snow course data indicate that the snowpack drought deficit will not be overcome in 2016, despite historically strong El Niño conditions. Results based on a probabilistic Monte Carlo simulation show that recovery from the snowpack drought will likely take about 4 years.

show abstract

Drought Forecasting Using a Hybrid Stochastic and Neural Network Model

Cited by 228 publications

References 30 publications

Comparison of Stochastic and Machine Learning Methods for Multi-Step Ahead Forecasting of Hydrological Processes

Comparison of Stochastic and Machine Learning Methods for Multi-Step Ahead Forecasting of Hydrological Processes

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

Characterizing the extreme 2015 snowpack deficit in the Sierra Nevada (USA) and the implications for drought recovery

Contact Info

Product

Resources

About