Model trees as an alternative to neural networks in rainfall—runoff modelling

Publisher Website
Google Scholar
Abstract
This paper investigates the comparative performance of two data-driven modelling techniques, namely, artificial neural networks (ANNs) and model trees (MTs), in rainfall—runoff transformation. The applicability of these techniques is studied by predicting runoff one, three and six hours ahead for a European catchment. The result shows that both ANNs and MTs produce excellent results for 1-h ahead prediction, acceptable results for 3-h ahead prediction and conditionally acceptable result for 6-h ahead prediction. Both techniques have almost similar performance for 1-h ahead prediction of runoff, but the result of the ANN is slightly better than the MT for higher lead times. However, the advantage of the MT is that the result is more understandable and allows one to build a family of models of varying complexity and accuracy. Résumé Cet article étudie de manière comparative les performances de deux techniques de modélisation pluie débit contraintes par les données, en l'occurrence des réseaux de neurones artificiels (RNA) et des arbres de modèles (AM). L'applicabilité de ces techniques est étudiée pour la prévision des débits d'un bassin versant européen pour des anticipations de une, trois et six heures. Les résultats montrent que les RNA et les AM produisent des résultats excellents pour la prévision à une heure, acceptables pour la prévision à trois heures et acceptables sous condition pour la prévision à six heures. Les deux techniques ont des performances presque similaires pour la prévision des débits à une heure, mais les résultats du RNA sont légèrement meilleurs que ceux de l'AM pour les délais plus longs. Néanmoins l'AM présente les avantages de fournir des résultats plus compréhensibles et de permettre la construction d'une famille de modèles de complexité et de précision variables.