Published May 28, 2020 | Version v1
Publication Open

Application of artificial neural network for forecasting standardized precipitation and evapotranspiration index: A case study of Nigeria

Creators

  • 1. Federal University of Technology

Description

Abstract The necessity to perform an accurate prediction of future characteristics of drought requires a robust and efficient technique that can deduce from historical data the stochastic relationship or dependency between history and future. In this study, the applicability of the artificial neural network (ANN) is used for forecasting the standardized precipitation and evapotranspiration index (SPEI) at 12‐month timescale for five candidate stations in Nigeria using predictive variable data from 1985 to 2008 (training) and tested data between 2009 and 2015. The predictive variables are monthly average precipitation, average air temperature, maximum temperature, minimum temperature, mean speed, mean solar radiation, sunshine hours, and two large‐scale climate indices (Southern Oscillation Index and North Atlantic Oscillation). From the several combinations of the input variables, training algorithms, hidden, and output transfer functions, a total of eight model runs stood out using a three‐layer ANN network. The most efficient ANN model architecture had 9,8,1 as the input, hidden, and output neurons, respectively, trained using the Levenberg‐Marquardt training algorithm and tansig as the activation and hidden transfer functions. Assessment on the efficiency of the model based on statistics indicate that the coefficient of determination, root mean square error, Nash‐Sutcliffe coefficient of efficiency and the mean absolute error ranges between 0.51 and 0.82; 0.57 and 0.75; 0.28 and 0.79; 0.44 and 0.56, respectively, during the testing period. The output of these findings shows that ANN modeling technique can play a significant role as a data‐driven model in forecasting monthly SPEI time series and drought characteristics in the study area, thereby leading to the development of an early warning system for the country.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الملخص تتطلب ضرورة إجراء تنبؤ دقيق بالخصائص المستقبلية للجفاف تقنية قوية وفعالة يمكن أن تستنتج من البيانات التاريخية العلاقة العشوائية أو التبعية بين التاريخ والمستقبل. في هذه الدراسة، يتم استخدام قابلية تطبيق الشبكة العصبية الاصطناعية (ANN) للتنبؤ بمؤشر هطول الأمطار والنتح التبخري الموحد (SPEI) على مقياس زمني مدته 12 شهرًا لخمس محطات مرشحة في نيجيريا باستخدام بيانات متغيرة تنبؤية من 1985 إلى 2008 (تدريب) وبيانات مختبرة بين عامي 2009 و 2015. المتغيرات التنبؤية هي متوسط هطول الأمطار الشهري، ومتوسط درجة حرارة الهواء، ودرجة الحرارة القصوى، ودرجة الحرارة الدنيا، ومتوسط السرعة، ومتوسط الإشعاع الشمسي، وساعات أشعة الشمس، ومؤشرين مناخيين كبيرين (مؤشر التذبذب الجنوبي وتذبذب شمال الأطلسي). من بين عدة مجموعات من متغيرات الإدخال، وخوارزميات التدريب، والوظائف المخفية، ونقل المخرجات، برز ما مجموعه ثمانية نماذج باستخدام شبكة ANN ثلاثيةالطبقات. كان لدى بنية نموذج ANN الأكثر كفاءة 9،8،1 كخلايا عصبية للمدخلات والمخفية والمخرجات، على التوالي، تم تدريبها باستخدام خوارزمية تدريب Levenberg-Marquardt و tansig كوظائف التنشيط والنقل المخفي. يشير تقييم كفاءة النموذج بناءً على الإحصاءات إلى أن معامل التحديد ومتوسط الجذر التربيعي للخطأ ومعامل كفاءة ناش- ساتكليف ومتوسط الخطأ المطلق يتراوح بين 0.51 و 0.82 ؛ 0.57 و 0.75 ؛ 0.28 و 0.79 ؛ 0.44 و 0.56 على التوالي خلال فترة الاختبار. تُظهر مخرجات هذه النتائج أن تقنية النمذجة ANN يمكن أن تلعب دورًا مهمًا كنموذج قائم على البيانات في التنبؤ بالسلسلة الزمنية الشهرية لـ SPI وخصائص الجفاف في منطقة الدراسة، مما يؤدي إلى تطوير نظام إنذار مبكر للبلد.

Translated Description (French)

Résumé La nécessité d'effectuer une prédiction précise des caractéristiques futures de la sécheresse nécessite une technique robuste et efficace qui peut déduire des données historiques la relation stochastique ou la dépendance entre l'histoire et le futur. Dans cette étude, l'applicabilité du réseau neuronal artificiel (RNA) est utilisée pour prévoir l'indice normalisé de précipitation et d'évapotranspiration (IPE) à une échelle de temps de 12 mois pour cinq stations candidates au Nigéria en utilisant des données de variables prédictives de 1985 à 2008 (formation) et des données testées entre 2009 et 2015. Les variables prédictives sont les précipitations moyennes mensuelles, la température moyenne de l'air, la température maximale, la température minimale, la vitesse moyenne, le rayonnement solaire moyen, les heures d'ensoleillement et deux indices climatiques à grandeéchelle (indice d'oscillation australe et oscillation nord-atlantique). Parmi les différentes combinaisons de variables d'entrée, d'algorithmes de formation, de fonctions cachées et de transfert de sortie, un total de huit exécutions de modèles se sont distinguées à l'aide d'un réseau ANN à trois couches. L'architecture de modèle ANN la plus efficace avait 9,8,1 neurones d'entrée, cachés et de sortie, respectivement, formés à l'aide de l'algorithme de formation de Levenberg‐Marquardt et tansig comme fonctions d'activation et de transfert caché. L'évaluation de l'efficacité du modèle basée sur des statistiques indique que le coefficient de détermination, l'erreur quadratique moyenne, le coefficient d'efficacité de Nash-Sutcliffe et l'erreur absolue moyenne se situent entre 0,51 et 0,82 ; 0,57 et 0,75 ; 0,28 et 0,79 ; 0,44 et 0,56, respectivement, pendant la période de test. Le résultat de ces résultats montre que la technique de modélisation ANN peut jouer un rôle important en tant que modèle basé sur les données dans la prévision des séries temporelles mensuelles SPEI et des caractéristiques de la sécheresse dans la zone d'étude, conduisant ainsi au développement d'un système d'alerte précoce pour le pays.

Translated Description (Spanish)

Resumen La necesidad de realizar una predicción precisa de las características futuras de la sequía requiere una técnica robusta y eficiente que pueda deducir a partir de datos históricos la relación o dependencia estocástica entre la historia y el futuro. En este estudio, la aplicabilidad de la red neuronal artificial (ANN) se utiliza para pronosticar el índice estandarizado de precipitación y evapotranspiración (SPEI) en una escala de tiempo de 12 meses para cinco estaciones candidatas en Nigeria utilizando datos variables predictivos de 1985 a 2008 (entrenamiento) y datos probados entre 2009 y 2015. Las variables predictivas son la precipitación media mensual, la temperatura media del aire, la temperatura máxima, la temperatura mínima, la velocidad media, la radiación solar media, las horas de sol y dos índices climáticosa gran escala (Índice de Oscilación del Sur y Oscilación del Atlántico Norte). De las diversas combinaciones de las variables de entrada, los algoritmos de entrenamiento, las funciones de transferencia ocultas y de salida, se destacó un total de ocho ejecuciones de modelos utilizando una red ANN de tres capas. La arquitectura del modelo ANN más eficiente tenía 9,8,1 como neuronas de entrada, ocultas y de salida, respectivamente, entrenadas utilizando el algoritmo de entrenamiento de Levenberg-Marquardt y Tansig como funciones de activación y transferencia oculta. La evaluación de la eficiencia del modelo basada en estadísticas indica que el coeficiente de determinación, el error cuadrático medio, el coeficiente de eficiencia de Nash-Sutcliffe y el error absoluto medio oscilan entre 0,51 y 0,82; 0,57 y 0,75; 0,28 y 0,79; 0,44 y 0,56, respectivamente, durante el período de prueba. El resultado de estos hallazgos muestra que la técnica de modelado ANN puede desempeñar un papel importante como modelo basado en datos para pronosticar las series temporales mensuales DE SPEI y las características de sequía en el área de estudio, lo que lleva al desarrollo de un sistema de alerta temprana para el país.

Files

eng2.12194.pdf

Files (16.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:a878ca5306bed6112c296fcb79246f23
16.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تطبيق الشبكة العصبية الاصطناعية للتنبؤ بمؤشر هطول الأمطار والنتح التبخري الموحد: دراسة حالة لنيجيريا
Translated title (French)
Application du réseau de neurones artificiels pour la prévision des précipitations standardisées et de l'indice d'évapotranspiration : une étude de cas du Nigeria
Translated title (Spanish)
Aplicación de la red neuronal artificial para pronosticar el índice estandarizado de precipitación y evapotranspiración: un estudio de caso de Nigeria

Identifiers

Other
https://openalex.org/W3028940881
DOI
10.1002/eng2.12194

Is supplement to
https://openalex.org/W4385195237 (Other)
https://openalex.org/W4318676890 (Other)
https://openalex.org/W4285102093 (Other)
https://openalex.org/W4210644201 (Other)
https://openalex.org/W3178576217 (Other)
https://openalex.org/W3111532652 (Other)
https://openalex.org/W308010854 (Other)
https://openalex.org/W2391867878 (Other)
https://openalex.org/W2039947585 (Other)
https://openalex.org/W2034133462 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Nigeria

References

  • https://openalex.org/W1717758642
  • https://openalex.org/W1823195193
  • https://openalex.org/W1985201273
  • https://openalex.org/W1988651749
  • https://openalex.org/W1991811454
  • https://openalex.org/W1994169669
  • https://openalex.org/W1999461467
  • https://openalex.org/W1999687643
  • https://openalex.org/W2002147749
  • https://openalex.org/W2002415948
  • https://openalex.org/W2008321340
  • https://openalex.org/W2010551882
  • https://openalex.org/W2012345029
  • https://openalex.org/W2014367122
  • https://openalex.org/W2016394849
  • https://openalex.org/W2019451733
  • https://openalex.org/W2022389497
  • https://openalex.org/W2026977685
  • https://openalex.org/W2031346902
  • https://openalex.org/W2033904036
  • https://openalex.org/W2048344816
  • https://openalex.org/W2056104160
  • https://openalex.org/W2063455368
  • https://openalex.org/W2077968790
  • https://openalex.org/W2078174366
  • https://openalex.org/W2081997761
  • https://openalex.org/W2094447130
  • https://openalex.org/W2095239580
  • https://openalex.org/W2119844460
  • https://openalex.org/W2131477567
  • https://openalex.org/W2135322282
  • https://openalex.org/W2138266364
  • https://openalex.org/W2142029992
  • https://openalex.org/W2147746661
  • https://openalex.org/W2158638608
  • https://openalex.org/W2165772416
  • https://openalex.org/W2239092634
  • https://openalex.org/W2286520113
  • https://openalex.org/W2343793863
  • https://openalex.org/W2476646984
  • https://openalex.org/W2511753245
  • https://openalex.org/W2610778436
  • https://openalex.org/W2744622094
  • https://openalex.org/W2765656145
  • https://openalex.org/W2784184607
  • https://openalex.org/W2790314277
  • https://openalex.org/W2791416295
  • https://openalex.org/W2897601283
  • https://openalex.org/W2923564831
  • https://openalex.org/W2939737347
  • https://openalex.org/W2946559426
  • https://openalex.org/W2954978163
  • https://openalex.org/W2969696008
  • https://openalex.org/W2975053519
  • https://openalex.org/W2996724567
  • https://openalex.org/W2998745260
  • https://openalex.org/W3003839822
  • https://openalex.org/W3017323153