Artificial Neural Network Model for Rainfall–Runoff Relationship

Abstract

Permodelan bagi proses hidraulik dan hidrologi adalah penting apabila dilihat dari sudut kepelbagaian penggunaan sumber air seperti janakuasa hidroeletrik, pengairan, pengagihan bekalan air, dan kawalan banjir. Terdapat banyak kajian sebelum ini yang telah menggunakan kaedah rangkaian neural tiruan atau artificial neural network (ANN) untuk permodelan pelbagai perhubungan tak linear dan kompleks dalam proses hidrologi. Kaedah rangkaian neural tiruan ini telah diketahui bahawa ia merupakan suatu struktur matematik yang mudah ubah (flexible) dan berpotensi untuk menjana dan merumus set-set data masukan dan keluaran yang kurang tepat atau kabur dan tidak dihalusi dengan sempurna. Kawasan kajian adalah kawasan tadahan Sungai Lui (Selangor, Malaysia). Kertas Kerja ini mengutarakan cadangan menggunakan kaedah rangkaian neural tiruan ini bagi mendapatkan jumlah air larian permukaan harian dengan menggunakan hujan sebagai nod masukan kepada model berkenaan. Terdapat dua kaedah telah digunakan dalam pemilihan bilangan nod masukan iaitu seperti yang telah dicadangkan oleh [10] dan [5]. Seterusnya, hasil keputusan yang diperolehi daripada permodelan rangkaian neural tiruan ini dibandingkan dengan hasil keputusan yang diperolehi daripada model HEC-HMS. Didapati bahawa model rangkaian neural tiruan dapat menjana dan merumus perhubungan antara air larian permukaan dan curahan hujan lebih baik berbanding dengan model HEC-HMS. Kata kunci: hidrologi, rangkaian neural tiruan, hubungan air larian permukaan-curahan hujan The modelling of hydraulic and hydrological processes is important in view of the many uses of water resources such as hydropower generation, irrigation, water supply, and flood control. There are many previous works using the artificial neural network (ANN) method for modelling various complex non-linear relationships of hydrologic processes. The ANN is well known as a flexible mathematical structure and has the ability to generalize patterns in imprecise or noisy and ambiguous input and output data sets. The study area is Sungai Lui catchment (Selangor, Malaysia). This paper presents the proposed ANN model for prediction of daily runoff using the rainfall as input nodes. The method for selection of input nodes by [10] and [5] is applied. Further, the results are compared between ANN and HEC-HMS model. It has been found that the ANN models show a good generalization of rainfall-runoff relationship and is better than HEC-HMS model. Key words: hydrologic, artificial neural network, rainfall-runoff relationship