Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Accueil du site → Master → Canada → Short-term and long-term SPI drought forecasts using wavelet neural networks and wavelet support vector regression in the Awash river basin of Ethiopia

McGill University (2012)

Short-term and long-term SPI drought forecasts using wavelet neural networks and wavelet support vector regression in the Awash river basin of Ethiopia

Belayneh, Anteneh

Titre : Short-term and long-term SPI drought forecasts using wavelet neural networks and wavelet support vector regression in the Awash river basin of Ethiopia

Auteur : Belayneh, Anteneh

Université de soutenance : McGill University

Grade : Master of Science 2012

Résumé
La variabilité du climat de l’Éthiopie combinée à la forte dépendance de ce pays sur l’agriculture dépendant de la pluie le rend vulnérable aux impacts des sécheresses. Cette vulnérabilité est évidente dans le bassin de la rivière Awash, où une grande proportion de la population dépend de l’aide alimentaire internationale pour survivre. Étant donné cette vulnérabilité aux sécheresses, des prévisions efficaces d’inondations sont un outil essentiel pour la gestion efficace de ressources hydriques ainsi que pour mitiger les conséquences les plus graves des sécheresses. Cette étude prévoit l’Indice de Précipitations Standard (IPS) sur des temps de défilement à court et à long terme. Pour les prévisions à court terme, cette étude s’est penchée sur IPS 1 et IPS 3, des indicateurs de sécheresse à court terme qui représentent la sécheresse agricole. Pour les prévisions à long terme, IPS 12 et IPS 24 ont été calculés. Ces deux indices sont des indicateurs de sécheresse à long terme qui représentent des conditions de sécheresse hydrologique.Les prévisions d’IPS ont été effectuées en employant cinq modèles à base de données (data-driven models). Des prévisions ont été comparées entre deux techniques d’apprentissage automatique (machine learning) : les réseaux de neurones artificiels (RNA) et les supports de régression vectorielle (SRV). Les résultats de ces deux techniques ont été comparés à un modèle académique traditionnel de prévision, soit un modèle autorégressif intégré de moyenne mobile (ARIMM). De plus, les modèles RNA et SRV ont été combinés à une analyse d’ondelettes (AO) pour produire des modèles d’ondelettes-réseaux de neurones (AO-RNA) et des modèles d’ondelettes-supports de régression vectorielle (AO-SRV). Cette étude propose et examine, pour la première fois, des méthodes SRV et AO-SRV pour des prévisions de sécheresse IPS à court et long terme à des temps de défilement différents.Traditionnellement, le nombre de décompositions d’ondelettes dans une série temporelle (pour les applications de prévision) sont déterminées soit par essai et erreur ou en utilisant la formule L=int[log(N)], N représentant le nombre d’échantillons. Cette recherche permis de constater que dans presque tous les cas, la série d’approximation après décomposition, et non la série détail, produisait les meilleurs résultats de prévision. Le niveau de décomposition dont l’approximation avait produit les meilleurs résultats prévisionnels a déterminé la décomposition appropriée. Par rapport au modèle d’architecture RNA, traditionnellement, le nombre optimal de neurones dans une couche cachée est obtenu en utilisant une méthode d’essai et erreur, ou alors est fixé empiriquement à log (N) ou 2n+1, où n est le nombre de niveaux de input de données. Cette étude a combiné toutes ces approches. Les méthodes empiriques ont aidé à déterminer les limites supérieures et inférieures pour le nombre optimal de neurones au sein de la couche cachée. Après avoir procédé à la détermination d’un intervalle, l’essai et l’erreur ont été utilisés pour parvenir au nombre optimal de neurones dans un niveau caché.Les prévisions dans cette recherche ont été évaluées selon les mesures de la persistance, du coefficient de détermination (R2), de la déviation de valeur efficace (RMSE), et de l’erreur moyenne absolue (MAE). Les résultats de prévision indiquent que les modèles AO-RNA et AO-SRV étaient les méthodes les plus justes pour prévoir les IPS à des échelles à court comme à long terme

Présentation

Version intégrale (1 Mb)

Page publiée le 17 octobre 2013, mise à jour le 25 janvier 2018