A modified neural network for improving river flow prediction

Les modeles a base de reseau de neurones artificiels (RNA) ouvrent d'importantes perspectives pour simuler le fonctionnement non lineaire de systemes hydrologiques. Cependant, le potentiel des RNAs reste sous-exploite en raison de problemes pour en ameliorer les performances de generalisation. La generalisation correspond a l'aptitude d'un reseau de neurones a prendre correctement en compte des donnees d'entree qui n'ont pas ete utilisees lors de sa phase d'apprentissage. Dans le domaine de l'hydrologie, de meilleures performances de generalisation impliquent une meilleure precision des previsions. Les objectifs principaux de cette etude sont d'explorer de nouvelles approches pour ameliorer les performances de generalisation d'un modele pluie-debit a base de RNA, et d'evaluer l'applicabilite de ces nouvelles approches. Un modele a base de reseau de neurones modifie (appele reseau de neurones a programmation d'objectif (PO)) destine a modeliser la transformation pluie-debit a ete developpe, au sein duquel trois ameliorations sont apportees par rapport a la retropropagation (RP) frequemment utilisee. Les trois ameliorations sont (a) l'integration explicite de connaissances hydrologiques prealables lors de l'apprentissage du reseau de neurones; (b) l'incorporation d'une fonction objectif d'apprentissage modifiee; et (c) la diminution de la sensibilite du reseau aux erreurs sur les entrees. Sept bassins versants chinois, couvrant une gamme de conditions climatiques et relevant de plusieurs zones hydrographiques, ont ete selectionnes pour tester les differents reseaux. Les resultats montrent que le PO surpasse largement le RP, a la fois dans les phases d'apprentissage et de verification, et en outre que les trois approches proposees contribuent a ameliorer les performances.