Short-term and long-term SPI drought forecasts using wavelet neural networks and wavelet support vector regression in the Awash river basin of Ethiopia

Adamowski, Jan (Internal/Supervisor) Ethiopia's climate variability coupled with the country's heavy reliance on rain-fed agriculture make it vulnerable to the impacts of drought. This vulnerability is evident in the Awash River Basin, where a significant proportion of the population is dependent on international food assistance for survival. Given this vulnerability to drought, effective drought forecasts are an essential tool for effective water resource management as well as mitigation of some of the more adverse consequences of drought. This study forecast the Standard Precipitation Index (SPI) on both short-term and long-term lead times. For short-term forecasts this study computed SPI 1 and SPI 3, short-term drought indicators which represent agricultural drought. For long-term forecasts, SPI 12 and SPI 24 were computed. These two indices are long-term drought indicators which represent hydrological drought conditions.The SPI forecasts were done using five data driven models. Forecasts were compared between two machine learning techniques: artificial neural networks (ANNs) and support vector regression (SVR). The results from these two techniques were compared to a traditional stochastic forecast model, namely an autoregressive integrated moving average (ARIMA) model. In addition, ANN and SVR models were coupled with wavelet analysis (WA) to produce wavelet-neural network (WA-ANN) and wavelet-support vector regression (WA-SVR) models. This study proposed and explored, for the first time, SVR and WA-SVR methods for short term and long term SPI drought forecasting at different lead times.Traditionally, the number of wavelet decompositions of a time series (for forecasting applications) are determined either by trial and error or using the formula L = int[log(N)], with N being the number of samples. This study found that in almost all cases the approximation series after decomposition, and not the detail series, yielded the best forecast results. The decomposition level which had the approximation that yielded the best forecast results was determined to be the appropriate decomposition.With regards to ANN model architecture, traditionally the optimal number of neurons in the hidden layer is either determined using a trial and error procedure, or is determined empirically to be log (N) or 2n+1, where n is the number of input layers. This study combined all these approaches. The empirical methods helped establish upper and lower bounds for the optimal number of neurons within the hidden layer. After an interval was determined, a trial and error procedure was used to determine the optimal number of neurons in the hidden layer.The forecasts in this study were evaluated using a measure of persistence, R2, RMSE, and MAE. The forecast results indicate that WA-ANN and WA-SVR models were the most accurate methods for forecasting the SPI on both short and long-term time scales. La variabilité du climat de l'Éthiopie combinée à la forte dépendance de ce pays sur l'agriculture dépendant de la pluie le rend vulnérable aux impacts des sécheresses. Cette vulnérabilité est évidente dans le bassin de la rivière Awash, où une grande proportion de la population dépend de l'aide alimentaire internationale pour survivre. Étant donné cette vulnérabilité aux sécheresses, des prévisions efficaces d'inondations sont un outil essentiel pour la gestion efficace de ressources hydriques ainsi que pour mitiger les conséquences les plus graves des sécheresses. Cette étude prévoit l'Indice de Précipitations Standard (IPS) sur des temps de défilement à court et à long terme. Pour les prévisions à court terme, cette étude s'est penchée sur IPS 1 et IPS 3, des indicateurs de sécheresse à court terme qui représentent la sécheresse agricole. Pour les prévisions à long terme, IPS 12 et IPS 24 ont été calculés. Ces deux indices sont des indicateurs de sécheresse à long terme qui représentent des conditions de sécheresse hydrologique.Les prévisions d'IPS ont été effectuées en employant cinq modèles à base de données (data-driven models). Des prévisions ont été comparées entre deux techniques d'apprentissage automatique (machine learning) : les réseaux de neurones artificiels (RNA) et les supports de régression vectorielle (SRV). Les résultats de ces deux techniques ont été comparés à un modèle académique traditionnel de prévision, soit un modèle autorégressif intégré de moyenne mobile (ARIMM). De plus, les modèles RNA et SRV ont été combinés à une analyse d'ondelettes (AO) pour produire des modèles d'ondelettes-réseaux de neurones (AO-RNA) et des modèles d'ondelettes-supports de régression vectorielle (AO-SRV). Cette étude propose et examine, pour la première fois, des méthodes SRV et AO-SRV pour des prévisions de sécheresse IPS à court et long terme à des temps de défilement différents.Traditionnellement, le nombre de décompositions d'ondelettes dans une série temporelle (pour les applications de prévision) sont déterminées soit par essai et erreur ou en utilisant la formule L=int[log(N)], N représentant le nombre d'échantillons. Cette recherche permis de constater que dans presque tous les cas, la série d'approximation après décomposition, et non la série détail, produisait les meilleurs résultats de prévision. Le niveau de décomposition dont l'approximation avait produit les meilleurs résultats prévisionnels a déterminé la décomposition appropriée. Par rapport au modèle d'architecture RNA, traditionnellement, le nombre optimal de neurones dans une couche cachée est obtenu en utilisant une méthode d'essai et erreur, ou alors est fixé empiriquement à log (N) ou 2n+1, où n est le nombre de niveaux de input de données. Cette étude a combiné toutes ces approches. Les méthodes empiriques ont aidé à déterminer les limites supérieures et inférieures pour le nombre optimal de neurones au sein de la couche cachée. Après avoir procédé à la détermination d'un intervalle, l'essai et l'erreur ont été utilisés pour parvenir au nombre optimal de neurones dans un niveau caché.Les prévisions dans cette recherche ont été évaluées selon les mesures de la persistance, du coefficient de détermination (R2), de la déviation de valeur efficace (RMSE), et de l'erreur moyenne absolue (MAE). Les résultats de prévision indiquent que les modèles AO-RNA et AO-SRV étaient les méthodes les plus justes pour prévoir les IPS à des échelles à court comme à long terme.