Assessment of hybrid machine learning algorithms using TRMM rainfall data for daily inflow forecasting in Três Marias Reservoir, eastern Brazil

• DOI: 10.1016/j.heliyon.2023.e18819
• Publication Date: 2023-07-30T13:55:58Z
• Authors: Ehab Gomaa; Bilel Zerouali; Salah Difi; Khaled A. El-Nagdy; Celso Augusto Gui...; Zaki Abda; Sherif S.M. Ghoneim; Nadjem Bailek; Richarde Marques ...; Jitendra Rajput; Enas Ali
• Keywords: Artificial neural network; Cartography; Artificial intelligence; Science (General); Environmental Engineering; Rainfall-Runoff Modeling; Hydrological Modeling; Drainage basin; Streamflow; Autoregressive model; Hilbert–Huang transform; Q1-390; Hydrological Modeling using Machine Learning Methods; Machine learning; FOS: Mathematics; Multilayer perceptron; Water Science and Technology; H1-99; Perceptron; Brazilian river basin; Global and Planetary Change; Geography; Particle swarm optimization; Statistics; FOS: Environmental engineering; Groundwater Level Forecasting; Watershed Simulation; Computer science; 6. Clean water; Floods; Water resource management; Social sciences (General); Algorithm; Hydrological simulation; Kriging; Hydrological Modeling and Water Resource Management; 13. Climate action; Model Performance; Particle swarm optimization (PSO); Environmental Science; Physical Sciences; Global Drought Monitoring and Assessment; Empirical mode decomposition (EMD); Mean squared error; Energy (signal processing); Mathematics; Research Article

Este estudio investiga la aplicación de los modelos Gaussian Radial Basis Function Neural Network (GRNN), Gaussian Process Regression (GPR) y Multilayer Perceptron Optimized by Particle Swarm Optimization (MLP-PSO) en el análisis de la relación entre la lluvia y la escorrentía y en la predicción de la descarga de escorrentía. Estos modelos utilizan vectores de entrada autorregresivos basados en la precipitación de TRMM observada diariamente y los datos de entrada de TMR. La evaluación del desempeño de cada modelo se realiza utilizando medidas estadísticas para comparar su efectividad en la captura de las complejas relaciones entre las variables de entrada y salida. Los resultados demuestran consistentemente que el modelo MLP-PSO supera a los modelos GRNN y GPR, logrando el error cuadrático medio (RMSE) más bajo en múltiples combinaciones de entrada. Además, el estudio explora la aplicación de la Transformada de Descomposición-Hilbert-Huang de Modo Empírico (EMD-HHT) junto con los modelos GPR y MLP-PSO. Esta combinación produce resultados prometedores en la predicción del flujo de corriente, con el modelo MLP-PSO-EMD que exhibe una precisión superior en comparación con el modelo GPR-EMD. La incorporación de diferentes componentes en el modelo MLP-PSO-EMD mejora significativamente su precisión. Entre los escenarios presentados, el Modelo M4, que incorpora los componentes más simples, emerge como la opción más favorable debido a sus valores más bajos de RMSE. Las comparaciones con otros modelos informados en la literatura subrayan aún más la efectividad del modelo MLP-PSO-EMD en la predicción del flujo de corriente. Este estudio ofrece información valiosa sobre la selección y el rendimiento de diferentes modelos para el análisis y la predicción de la escorrentía pluvial.<br/>تبحث هذه الدراسة في تطبيق الشبكة العصبية لوظيفة الأساس الشعاعي الغاوسي (GRNN)، وانحدار العملية الغاوسية (GPR)، ونماذج بيرسبترون متعددة الطبقات المحسنة بواسطة نماذج تحسين سرب الجسيمات (MLP - PSO) في تحليل العلاقة بين هطول الأمطار والجريان السطحي وفي التنبؤ بتفريغ الجريان السطحي. تستخدم هذه النماذج ناقلات مدخلات الانحدار الذاتي استنادًا إلى بيانات هطول الأمطار TRMM وتدفقات TMR الداخلة التي تتم مراقبتها يوميًا. يتم إجراء تقييم أداء كل نموذج باستخدام مقاييس إحصائية لمقارنة فعاليتها في التقاط العلاقات المعقدة بين متغيرات المدخلات والمخرجات. تُظهر النتائج باستمرار أن نموذج MLP - PSO يتفوق على نماذج GRNN وGPR، ويحقق أدنى متوسط جذر للخطأ التربيعي (RMSE) عبر مجموعات مدخلات متعددة. علاوة على ذلك، تستكشف الدراسة تطبيق نموذج تحليل الوضع التجريبي - تحويل هيلبرت- هوانغ (EMD - HHT) بالتزامن مع نماذج GPR و MLP - PSO. ينتج عن هذا المزيج نتائج واعدة في التنبؤ بتدفق التدفق، حيث يُظهر نموذج MLP - PSO - EMD دقة فائقة مقارنة بنموذج GPR - EMD. يؤدي دمج المكونات المختلفة في نموذج MLP - PSO - EMD إلى تحسين دقتها بشكل كبير. من بين السيناريوهات المقدمة، يبرز النموذج M4، الذي يتضمن أبسط المكونات، باعتباره الخيار الأكثر ملاءمة نظرًا لأدنى قيم RMSE الخاصة به. تؤكد المقارنات مع النماذج الأخرى الواردة في الأدبيات على فعالية نموذج MLP - PSO - EMD في التنبؤ بتدفق التيار. تقدم هذه الدراسة رؤى قيمة حول اختيار وأداء نماذج مختلفة لتحليل جريان الأمطار والتنبؤ بها.<br/>Cette étude examine l'application des modèles du réseau neuronal de la fonction de base radiale gaussienne (GRNN), de la régression du processus gaussien (GPR) et du perceptron multicouche optimisé par l'optimisation de l'essaim de particules (MLP-PSO) dans l'analyse de la relation entre les précipitations et le ruissellement et dans la prédiction du débit de ruissellement. Ces modèles utilisent des vecteurs d'entrée autorégressifs basés sur les données de précipitations TRMM et d'entrées TMR observées quotidiennement. L'évaluation de la performance de chaque modèle est menée à l'aide de mesures statistiques pour comparer leur efficacité à capturer les relations complexes entre les variables d'entrée et de sortie. Les résultats démontrent systématiquement que le modèle MLP-PSO surpasse les modèles GRNN et GPR, atteignant la plus faible erreur quadratique moyenne (RMSE) sur plusieurs combinaisons d'entrées. En outre, l'étude explore l'application de la transformation de décomposition en mode empirique-Hilbert-Huang (EMD-HHT) en conjonction avec les modèles GPR et MLP-PSO. Cette combinaison donne des résultats prometteurs dans la prédiction du débit, le modèle MLP-PSO-EMD présentant une précision supérieure à celle du modèle GPR-EMD. L'incorporation de différents composants dans le modèle MLP-PSO-EMD améliore considérablement sa précision. Parmi les scénarios présentés, le modèle M4, qui intègre les composants les plus simples, apparaît comme le choix le plus favorable en raison de ses valeurs RMSE les plus faibles. Les comparaisons avec d'autres modèles rapportés dans la littérature soulignent davantage l'efficacité du modèle MLP-PSO-EMD dans la prédiction du débit. Cette étude offre des informations précieuses sur la sélection et la performance de différents modèles pour l'analyse et la prédiction du ruissellement pluviométrique.<br/>This study investigates the application of the Gaussian Radial Basis Function Neural Network (GRNN), Gaussian Process Regression (GPR), and Multilayer Perceptron Optimized by Particle Swarm Optimization (MLP-PSO) models in analyzing the relationship between rainfall and runoff and in predicting runoff discharge. These models utilize autoregressive input vectors based on daily-observed TRMM rainfall and TMR inflow data. The performance evaluation of each model is conducted using statistical measures to compare their effectiveness in capturing the complex relationships between input and output variables. The results consistently demonstrate that the MLP-PSO model outperforms the GRNN and GPR models, achieving the lowest root mean square error (RMSE) across multiple input combinations. Furthermore, the study explores the application of the Empirical Mode Decomposition-Hilbert-Huang Transform (EMD-HHT) in conjunction with the GPR and MLP-PSO models. This combination yields promising results in streamflow prediction, with the MLP-PSO-EMD model exhibiting superior accuracy compared to the GPR-EMD model. The incorporation of different components into the MLP-PSO-EMD model significantly improves its accuracy. Among the presented scenarios, Model M4, which incorporates the simplest components, emerges as the most favorable choice due to its lowest RMSE values. Comparisons with other models reported in the literature further underscore the effectiveness of the MLP-PSO-EMD model in streamflow prediction. This study offers valuable insights into the selection and performance of different models for rainfall-runoff analysis and prediction.<br/>