Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

09.01.2020 | Methodologies and Application | Ausgabe 16/2020

Soft Computing 16/2020

Development and evaluation of the cascade correlation neural network and the random forest models for river stage and river flow prediction in Australia

Zeitschrift:
Soft Computing > Ausgabe 16/2020
Autoren:
Mohammad Ali Ghorbani, Ravinesh C. Deo, Sungwon Kim, Mahsa Hasanpour Kashani, Vahid Karimi, Maryam Izadkhah
Wichtige Hinweise
Communicated by V. Loia.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Accurately predicting river flows over daily timescales is considered as an important task for sustainable management of freshwater ecosystems, agricultural applications, and water resources management. In this research paper, artificial intelligence (AI) techniques, namely the cascade correlation neural networks (CCNN) and the random forest (RF) models, were employed in daily river stage and river flow prediction for two river systems (i.e., Dulhunty River and Herbert River) in Australia. To develop the CCNN and RF models, a significant 3-day antecedent river stage and river flow time series were used. 80% of the whole data were used for model training and the remaining 20% for model testing. A total of ten different model structures with different input combinations were used to evaluate the optimal model in the training phase, and the results were analyzed using statistical metrics including the root mean square error (RMSE), Nash–Sutcliffe coefficient (NS), Willmott’s index of agreement (WI), and Legate and McCabe’s index (ELM) in the testing phase. The inter-comparison of CCNN and RF models for both river systems showed that the CCNN model was able to generate a more accurate prediction of the river stage and river flow compared to the RF model. Due to hydro-geographic differences leading to a different underlying historical data characteristics, the optimal CCNN’s performance for the Dulhunty River was found to be most accurate, in terms of ELM = 0.779, WI = 0.964, and ENS = 0.862 versus 0.775, 0.968, and 0.885 for the Herbert River. Following the performance accuracies, the authors ascertained that the CCNN model can be taken as a preferred data intelligent tool for river stage and river flow prediction.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 16/2020

Soft Computing 16/2020 Zur Ausgabe

Premium Partner

    Bildnachweise