Published July 5, 2021 | Version v1
Publication Open

A Sustainable Early Warning System Using Rolling Forecasts Based on ANN and Golden Ratio Optimization Methods to Accurately Predict Real-Time Water Levels and Flash Flood

Creators

  • 1. Hashemite University

Description

Remote monitoring sensor systems play a significant role in the evaluation and minimization of natural disasters and risk. This article presents a sustainable and real-time early warning system of sensors employed in flash flood prediction by using a rolling forecast model based on Artificial Neural Network (ANN) and Golden Ratio Optimization (GROM) methods. This Early Flood Warning System (EFWS) aims to support decision makers by providing reliable and accurate information and warning about any possible flood events within an efficient lead-time to reduce any damages due to flash floods. In this work, to improve the performance of the EFWS, an ANN forecast model based on a new optimization method, GROM, is developed and compared to the traditional ANN model. Furthermore, due to the lack of literature regarding the optimal ANN structural model for forecasting the flash flood, this paper is one of the first extensive investigations into the impact of using different exogenous variables and parameters on the ANN structure. The effect of using a rolling forecast model compared to fixed model on the accuracy of the forecasts is investigated as well. The results indicate that the rolling ANN forecast model based on GROM successfully improved the model accuracy by 40% compared to the traditional ANN model and by 93.5% compared to the fixed forecast model.

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

Translated Description (Arabic)

تلعب أنظمة استشعار المراقبة عن بعد دورًا مهمًا في تقييم الكوارث الطبيعية والمخاطر وتقليلها. تقدم هذه المقالة نظام إنذار مبكر مستدام وفي الوقت الفعلي لأجهزة الاستشعار المستخدمة في التنبؤ بالفيضانات المفاجئة باستخدام نموذج تنبؤ متداول يعتمد على طرق الشبكة العصبية الاصطناعية (ANN) وتحسين النسبة الذهبية (GROM). يهدف نظام الإنذار المبكر بالفيضانات هذا إلى دعم صانعي القرار من خلال توفير معلومات موثوقة ودقيقة والتحذير من أي أحداث فيضانات محتملة في غضون مهلة زمنية فعالة لتقليل أي أضرار ناتجة عن الفيضانات المفاجئة. في هذا العمل، لتحسين أداء EFWS، يتم تطوير نموذج تنبؤ ANN بناءً على طريقة تحسين جديدة، GROM، ومقارنته بنموذج ANN التقليدي. علاوة على ذلك، نظرًا لنقص الأدبيات المتعلقة بالنموذج الهيكلي الأمثل لـ ANN للتنبؤ بالفيضان المفاجئ، تعد هذه الورقة واحدة من أولى التحقيقات المكثفة في تأثير استخدام المتغيرات والمعلمات الخارجية المختلفة على بنية ANN. كما يتم التحقيق في تأثير استخدام نموذج التنبؤ المتداول مقارنة بالنموذج الثابت على دقة التوقعات. تشير النتائج إلى أن نموذج توقعات ANN المتداول القائم على GROM نجح في تحسين دقة النموذج بنسبة 40 ٪ مقارنة بنموذج ANN التقليدي وبنسبة 93.5 ٪ مقارنة بنموذج التنبؤ الثابت.

Translated Description (French)

Les systèmes de capteurs de surveillance à distance jouent un rôle important dans l'évaluation et la minimisation des catastrophes naturelles et des risques. Cet article présente un système d'alerte précoce durable et en temps réel des capteurs utilisés dans la prédiction des crues soudaines en utilisant un modèle de prévision évolutif basé sur des méthodes de réseau neuronal artificiel (RNA) et d'optimisation du ratio d'or (GROM). Ce système d'alerte précoce aux inondations (EFWS) vise à aider les décideurs en fournissant des informations fiables et précises et en les avertissant de tout événement d'inondation possible dans un délai efficace afin de réduire les dommages dus aux crues soudaines. Dans ce travail, pour améliorer les performances de l'EFWS, un modèle de prévision ANN basé sur une nouvelle méthode d'optimisation, GROM, est développé et comparé au modèle ANN traditionnel. De plus, en raison du manque de littérature concernant le modèle structurel optimal de l'ANN pour prévoir l'inondation soudaine, cet article est l'une des premières études approfondies sur l'impact de l'utilisation de différentes variables et paramètres exogènes sur la structure de l'ANN. L'effet de l'utilisation d'un modèle de prévision mobile par rapport à un modèle fixe sur la précision des prévisions est également étudié. Les résultats indiquent que le modèle de prévision ANN glissant basé sur GROM a amélioré avec succès la précision du modèle de 40 % par rapport au modèle ANN traditionnel et de 93,5 % par rapport au modèle de prévision fixe.

Translated Description (Spanish)

Los sistemas de sensores de monitoreo remoto desempeñan un papel importante en la evaluación y minimización de desastres naturales y riesgos. Este artículo presenta un sistema de alerta temprana sostenible y en tiempo real de sensores empleados en la predicción de inundaciones repentinas mediante el uso de un modelo de pronóstico continuo basado en los métodos de Red Neuronal Artificial (ANN) y Optimización de la Proporción Áurea (GROM). Este Sistema de Alerta Temprana de Inundaciones (EFWS, por sus siglas en inglés) tiene como objetivo apoyar a los tomadores de decisiones proporcionando información confiable y precisa y advirtiendo sobre cualquier posible evento de inundación dentro de un plazo de entrega eficiente para reducir cualquier daño debido a inundaciones repentinas. En este trabajo, para mejorar el rendimiento del EFWS, se desarrolla un modelo de pronóstico ANN basado en un nuevo método de optimización, GROM, y se compara con el modelo ANN tradicional. Además, debido a la falta de literatura sobre el modelo estructural óptimo de ANN para pronosticar la inundación repentina, este documento es una de las primeras investigaciones exhaustivas sobre el impacto del uso de diferentes variables y parámetros exógenos en la estructura de ANN. También se investiga el efecto del uso de un modelo de pronóstico móvil en comparación con un modelo fijo sobre la precisión de los pronósticos. Los resultados indican que el modelo de pronóstico ANN móvil basado en GROM mejoró con éxito la precisión del modelo en un 40% en comparación con el modelo ANN tradicional y en un 93,5% en comparación con el modelo de pronóstico fijo.

Files

pdf.pdf

Files (9.0 MB)

⚠️ 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:b3086371d88e17ff1552272cb4bdc8e1
9.0 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نظام إنذار مبكر مستدام يستخدم التنبؤات المتداولة بناءً على طرق تحسين النسبة الذهبية والتنبؤ بدقة بمستويات المياه في الوقت الفعلي والفيضانات المفاجئة
Translated title (French)
Un système d'alerte précoce durable utilisant des prévisions continues basées sur les méthodes d'optimisation ANN et Golden Ratio pour prédire avec précision les niveaux d'eau en temps réel et les crues éclair
Translated title (Spanish)
Un sistema de alerta temprana sostenible que utiliza pronósticos continuos basados en los métodos de optimización ANN y Golden Ratio para predecir con precisión los niveles de agua en tiempo real y las inundaciones repentinas

Identifiers

Other
https://openalex.org/W3180060070
DOI
10.3390/s21134598

Is supplement to
https://openalex.org/W3125817379 (Other)
https://openalex.org/W2899102479 (Other)
https://openalex.org/W2402451758 (Other)
https://openalex.org/W2383173999 (Other)
https://openalex.org/W2381743810 (Other)
https://openalex.org/W2369926976 (Other)
https://openalex.org/W2366686155 (Other)
https://openalex.org/W2349162035 (Other)
https://openalex.org/W2019221308 (Other)
https://openalex.org/W1044530532 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Jordan

References

  • https://openalex.org/W2000428710
  • https://openalex.org/W2045845161
  • https://openalex.org/W2058249600
  • https://openalex.org/W2070533628
  • https://openalex.org/W2085175529
  • https://openalex.org/W2266636151
  • https://openalex.org/W2284566184
  • https://openalex.org/W2342635897
  • https://openalex.org/W2615376541
  • https://openalex.org/W2741656116
  • https://openalex.org/W2761642778
  • https://openalex.org/W2792274513
  • https://openalex.org/W2796339307
  • https://openalex.org/W2887891828
  • https://openalex.org/W2917016296
  • https://openalex.org/W2921561498
  • https://openalex.org/W2923621982
  • https://openalex.org/W2965731016
  • https://openalex.org/W2974262800
  • https://openalex.org/W2991746899
  • https://openalex.org/W3042674228
  • https://openalex.org/W3086197485
  • https://openalex.org/W3120702290
  • https://openalex.org/W3128419367
  • https://openalex.org/W3134450585
  • https://openalex.org/W3153535255
  • https://openalex.org/W3153811025
  • https://openalex.org/W3158641354