Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloJordan recurrent neural network versus IHACRES in modelling daily streamflows
Anno di pubblicazione2008
FormatoCartaceo
Autore/iE. C. Carcano; P. Bartolini; M. Muselli; L. Piroddi
Affiliazioni autoriE. C. Carcano, P. Bartolini: Dipartimento di Ingegneria delle Costruzioni, dell'Ambiente e del Territorio, Università di Genova L. Piroddi: Dipartimento di Elettronica e Informazione, Politecnico di Milano, M. Muselli CNR IEIIT Genova
Autori CNR e affiliazioni
  • MARCO MUSELLI VQR
Lingua/e
  • inglese
AbstractA study of possible scenarios for modelling streamflow data from daily time series, using artificial neural networks (ANNs), is presented. Particular emphasis is devoted to the reconstruction of drought periods where water resource management and control are most critical. This paper considers two connectionist models: a feedforward multilayer perceptron (MLP) and a Jordan recurrent neural network (JNN), comparing network performance on real world data from two small catchments (192 and 69 km2 in size) with irregular and torrential regimes. Several network configurations are tested to ensure a good combination of input features (rainfall and previous streamflow data) that capture the variability of the physical processes at work. Tapped delayed line (TDL) and memory effect techniques are introduced to recognize and reproduce temporal dependence. Results show a poor agreement when using TDL only, but a remarkable improvement can be obtained with JNN and its memory effect procedures, which are able to reproduce the system memory over a catchment in a more effective way. Furthermore, the IHACRES conceptual model, which relies on both rainfall and temperature input data, is introduced for comparative study. The results suggest that when good input data is unavailable, metric models perform better than conceptual ones and, in general, it is difficult to justify substantial conceptualization of complex processes.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da291
Pagine a307
Pagine totali-
RivistaJournal of hydrology (Amst.)
Attiva dal 1963
Editore: Elsevier - Oxford ;
Paese di pubblicazione: Paesi Bassi
Lingua: inglese
ISSN: 0022-1694
Titolo chiave: Journal of hydrology (Amst.)
Titolo proprio: Journal of hydrology. (Amst.)
Titolo abbreviato: J. hydrol. (Amst.)
Titoli alternativi:
  • Journal of hydrology (Lausanne) (Amst.)
  • Journal of hydrology (New York) (Amst.)
  • Journal of hydrology (Oxford) (Amst.)
  • Journal of hydrology (Shannon) (Amst.)
  • Journal of hydrology (Tokyo) (Amst.)
Numero volume della rivista362
Fascicolo della rivista3-4
DOI10.1016/j.jhydrol.2008.08.026
Verificato da refereeSì: Internazionale
Stato della pubblicazione-
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000261476500009)
  • Scopus (Codice:2-s2.0-54949159421)
Parole chiaveFeedforward neural network, Recurrent neural network, Tapped delayed line, Memory effect, Temporal dependence
Link (URL, URI)-
Titolo parallelo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • IEIIT — Istituto di elettronica e di ingegneria dell'informazione e delle telecomunicazioni
Moduli CNR
    Progetti Europei-
    Allegati
    • Articolo pubblicato

    Dati associati a vecchie tipologie
    I dati associati a vecchie tipologie non sono modificabili, derivano dal cambiamento della tipologia di prodotto e hanno solo valore storico.
    Editore
    • ELSEVIER SCIENCE BV, PO BOX 211, 1000 AE AMSTERDAM, NETHERLANDS, AMSTERDAM (Paesi Bassi)

    Dati storici
    I dati storici non sono modificabili, sono stati ereditati da altri sistemi (es. Gestione Istituti, PUMA, ...) e hanno solo valore storico.
    Area disciplinareComputer Science & Engineering
    Area valutazione CIVRIngegneria industriale e informatica
    Rivista ISIJOURNAL OF HYDROLOGY [55435J0]