Published April 1, 2021 | Version v1
Publication Open

Bayesian Regularized Neural Network Model Development for Predicting Daily Rainfall from Sea Level Pressure Data: Investigation on Solving Complex Hydrology Problem

Creators

  • 1. Baoji University of Arts and Sciences
  • 2. University of Baghdad
  • 3. Alsalam University College
  • 4. University of Babylon
  • 5. Universiti Sains Malaysia

Description

Prediction of daily rainfall is important for flood forecasting, reservoir operation, and many other hydrological applications. The artificial intelligence (AI) algorithm is generally used for stochastic forecasting rainfall which is not capable to simulate unseen extreme rainfall events which become common due to climate change. A new model is developed in this study for prediction of daily rainfall for different lead times based on sea level pressure (SLP) which is physically related to rainfall on land and thus able to predict unseen rainfall events. Daily rainfall of east coast of Peninsular Malaysia (PM) was predicted using SLP data over the climate domain. Five advanced AI algorithms such as extreme learning machine (ELM), Bayesian regularized neural networks (BRNNs), Bayesian additive regression trees (BART), extreme gradient boosting (xgBoost), and hybrid neural fuzzy inference system (HNFIS) were used considering the complex relationship of rainfall with sea level pressure. Principle components of SLP domain correlated with daily rainfall were used as predictors. The results revealed that the efficacy of AI models is predicting daily rainfall one day before. The relative performance of the models revealed the higher performance of BRNN with normalized root mean square error (NRMSE) of 0.678 compared with HNFIS (NRMSE = 0.708), BART (NRMSE = 0.784), xgBoost (NRMSE = 0.803), and ELM (NRMSE = 0.915). Visual inspection of predicted rainfall during model validation using density-scatter plot and other novel ways of visual comparison revealed the ability of BRNN to predict daily rainfall one day before reliably.

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

Translated Description (Arabic)

يعد التنبؤ بهطول الأمطار يوميًا أمرًا مهمًا للتنبؤ بالفيضانات وتشغيل الخزانات والعديد من التطبيقات الهيدرولوجية الأخرى. تُستخدم خوارزمية الذكاء الاصطناعي (AI) عمومًا للتنبؤ العشوائي بهطول الأمطار غير القادرة على محاكاة أحداث هطول الأمطار الشديدة غير المرئية التي أصبحت شائعة بسبب تغير المناخ. تم تطوير نموذج جديد في هذه الدراسة للتنبؤ بهطول الأمطار اليومي لفترات زمنية مختلفة بناءً على ضغط مستوى سطح البحر (SLP) المرتبط ماديًا بهطول الأمطار على الأرض وبالتالي القدرة على التنبؤ بأحداث هطول الأمطار غير المرئية. تم التنبؤ بهطول الأمطار اليومي على الساحل الشرقي لشبه جزيرة ماليزيا (PM) باستخدام بيانات SLP على مجال المناخ. تم استخدام خمس خوارزميات متقدمة للذكاء الاصطناعي مثل آلة التعلم المتطرف (ELM)، والشبكات العصبية المنظمة البايزية (BRNNs)، وأشجار الانحدار المضافة البايزية (BART)، وتعزيز التدرج الشديد (xgBoost)، ونظام الاستدلال الغامض العصبي الهجين (HNFIS) مع الأخذ في الاعتبار العلاقة المعقدة بين هطول الأمطار وضغط مستوى سطح البحر. تم استخدام المكونات الأساسية لنطاق SLP المرتبط بهطول الأمطار اليومي كمتنبئات. كشفت النتائج أن فعالية نماذج الذكاء الاصطناعي تتنبأ بهطول الأمطار يوميًا قبل يوم واحد. كشف الأداء النسبي للنماذج عن الأداء الأعلى لـ BRNN مع متوسط خطأ مربع الجذر الطبيعي (NRMSE) البالغ 0.678 مقارنة بـ HNFIS (NRMSE = 0.708)، BART (NRMSE = 0.784)، xgBoost (NRMSE = 0.803)، و ELM (NRMSE = 0.915). كشف الفحص البصري لهطول الأمطار المتوقع أثناء التحقق من صحة النموذج باستخدام قطعة أرض مبعثرة الكثافة وطرق جديدة أخرى للمقارنة البصرية عن قدرة BRNN على التنبؤ بهطول الأمطار اليومي قبل يوم واحد بشكل موثوق.

Translated Description (French)

La prévision des précipitations quotidiennes est importante pour la prévision des inondations, le fonctionnement du réservoir et de nombreuses autres applications hydrologiques. L'algorithme d'intelligence artificielle (IA) est généralement utilisé pour la prévision stochastique des précipitations qui n'est pas capable de simuler des événements pluviométriques extrêmes invisibles qui deviennent courants en raison du changement climatique. Un nouveau modèle est développé dans cette étude pour prédire les précipitations quotidiennes pour différents délais basés sur la pression au niveau de la mer (SLP) qui est physiquement liée aux précipitations sur terre et donc capable de prédire des événements de précipitations invisibles. Les précipitations quotidiennes de la côte est de la Malaisie péninsulaire (PM) ont été prédites à l'aide de données SLP sur le domaine climatique. Cinq algorithmes d'IA avancés tels que la machine d'apprentissage extrême (ELM), les réseaux neuronaux régularisés bayésiens (BRNN), les arbres de régression additive bayésiens (BART), l'amplification de gradient extrême (xgBoost) et le système d'inférence floue neuronale hybride (HNFIS) ont été utilisés compte tenu de la relation complexe entre les précipitations et la pression au niveau de la mer. Les principaux composants du domaine SLP corrélés avec les précipitations quotidiennes ont été utilisés comme prédicteurs. Les résultats ont révélé que l'efficacité des modèles d'IA prédisait les précipitations quotidiennes un jour avant. La performance relative des modèles a révélé la performance plus élevée de BRNN avec une erreur quadratique moyenne normalisée (NRMSE) de 0,678 par rapport à HNFIS (NRMSE = 0,708), BART (NRMSE = 0,784), xgBoost (NRMSE = 0,803) et ELM (NRMSE = 0,915). L'inspection visuelle des précipitations prévues lors de la validation du modèle à l'aide de la courbe de diffusion de la densité et d'autres nouveaux moyens de comparaison visuelle a révélé la capacité de BRNN à prédire les précipitations quotidiennes un jour avant de manière fiable.

Translated Description (Spanish)

La predicción de la precipitación diaria es importante para el pronóstico de inundaciones, la operación de embalses y muchas otras aplicaciones hidrológicas. El algoritmo de inteligencia artificial (IA) se utiliza generalmente para el pronóstico estocástico de precipitaciones que no es capaz de simular eventos de precipitaciones extremas invisibles que se vuelven comunes debido al cambio climático. En este estudio se desarrolla un nuevo modelo para la predicción de la precipitación diaria para diferentes tiempos de entrega basado en la presión del nivel del mar (SLP) que está físicamente relacionada con la precipitación en tierra y, por lo tanto, es capaz de predecir eventos de precipitación invisibles. La precipitación diaria de la costa este de Malasia Peninsular (PM) se predijo utilizando datos de SLP sobre el dominio climático. Se utilizaron cinco algoritmos avanzados de IA, como la máquina de aprendizaje extremo (ELM), las redes neuronales regularizadas bayesianas (BRNN), los árboles de regresión aditiva bayesiana (BART), el aumento de gradiente extremo (xgBoost) y el sistema híbrido de inferencia difusa neuronal (HNFIS), considerando la compleja relación de la lluvia con la presión del nivel del mar. Los componentes principales del dominio SLP correlacionados con la precipitación diaria se utilizaron como predictores. Los resultados revelaron que la eficacia de los modelos de IA es predecir la precipitación diaria un día antes. El rendimiento relativo de los modelos reveló el mayor rendimiento de BRNN con un error cuadrático medio normalizado (NRMSE) de 0,678 en comparación con HNFIS (NRMSE = 0,708), BART (NRMSE = 0,784), xgBoost (NRMSE = 0,803) y ELM (NRMSE = 0,915). La inspección visual de la precipitación prevista durante la validación del modelo utilizando un gráfico de densidad-dispersión y otras formas novedosas de comparación visual reveló la capacidad de BRNN para predecir la precipitación diaria un día antes de forma fiable.

Files

6631564.pdf.pdf

Files (15.9 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
md5:6649ec4a7aaa5d38aec9913b98a52a41
15.9 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تطوير نموذج الشبكة العصبية المنتظمة البايزية للتنبؤ بهطول الأمطار اليومي من بيانات ضغط مستوى سطح البحر: التحقيق في حل مشكلة الهيدرولوجيا المعقدة
Translated title (French)
Développement d'un modèle de réseau neuronal bayésien régularisé pour prédire les précipitations quotidiennes à partir des données de pression au niveau de la mer : enquête sur la résolution de problèmes hydrologiques complexes
Translated title (Spanish)
Desarrollo de modelos de redes neuronales regularizadas bayesianas para predecir la precipitación diaria a partir de datos de presión del nivel del mar: investigación sobre la resolución de problemas complejos de hidrología

Identifiers

Other
https://openalex.org/W3141715805
DOI
10.1155/2021/6631564

Is supplement to
https://openalex.org/W4297902562 (Other)
https://openalex.org/W4289884158 (Other)
https://openalex.org/W4288365262 (Other)
https://openalex.org/W3217432596 (Other)
https://openalex.org/W31566076 (Other)
https://openalex.org/W2940614149 (Other)
https://openalex.org/W2787485953 (Other)
https://openalex.org/W2741186499 (Other)
https://openalex.org/W2067443264 (Other)
https://openalex.org/W2048488252 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Malaysia

References

  • https://openalex.org/W1572262254
  • https://openalex.org/W1975249434
  • https://openalex.org/W1984125303
  • https://openalex.org/W1991626871
  • https://openalex.org/W2001693879
  • https://openalex.org/W2024619338
  • https://openalex.org/W2049387654
  • https://openalex.org/W2053289769
  • https://openalex.org/W2057639202
  • https://openalex.org/W2060774500
  • https://openalex.org/W2069061903
  • https://openalex.org/W2079074444
  • https://openalex.org/W2089485982
  • https://openalex.org/W2108858234
  • https://openalex.org/W2111072639
  • https://openalex.org/W2121508650
  • https://openalex.org/W2141649146
  • https://openalex.org/W2155777418
  • https://openalex.org/W2173251738
  • https://openalex.org/W2192618952
  • https://openalex.org/W2397349486
  • https://openalex.org/W2534753755
  • https://openalex.org/W2574839378
  • https://openalex.org/W2610534180
  • https://openalex.org/W2615467640
  • https://openalex.org/W2750034635
  • https://openalex.org/W2763383283
  • https://openalex.org/W2772433304
  • https://openalex.org/W2772453098
  • https://openalex.org/W2792175537
  • https://openalex.org/W2792985603
  • https://openalex.org/W2803907192
  • https://openalex.org/W2895348292
  • https://openalex.org/W2911964244
  • https://openalex.org/W2915371472
  • https://openalex.org/W2921192933
  • https://openalex.org/W2922394962
  • https://openalex.org/W2946384643
  • https://openalex.org/W2952128688
  • https://openalex.org/W2980415564
  • https://openalex.org/W2981332902
  • https://openalex.org/W2991604971
  • https://openalex.org/W2998745260
  • https://openalex.org/W2999026381
  • https://openalex.org/W3008895587
  • https://openalex.org/W3013631219
  • https://openalex.org/W3028005833
  • https://openalex.org/W3038061982
  • https://openalex.org/W3039889760
  • https://openalex.org/W3040129451
  • https://openalex.org/W3099006712
  • https://openalex.org/W4298082496