REAL-TIME PREDICTION OF CHLOROPHYLL-A TIME SERIES IN A EUTROPHIC AGRICULTURAL RESERVOIR IN A COASTAL ZONE USING RECURRENT NEURAL NETWORKS WITH PERIODIC CHAOS NEURONS

Authors


  • Prévision en temps réel de séries temporelles de chlorophylle-a dans un réservoir agricole eutrophe d'une région côtière, à l'aide de réseaux de neurones récurrents comprenant des neurones de chaos périodiques.

Correspondence to: Masayoshi Harada, Department of Agro-environmental Sciences, Faculty of Agriculture, Kyushu University, 6-10-1 Hakozaki, Higashi-ku, Fukuoka 812-8581, Japan. E-mail: mharada@bpes.kyushu-u.ac.jp

ABSTRACT

To assess the water environmental dynamics related to a phytoplankton, the water quality dynamics in a eutrophic reservoir in a flat low-lying agricultural area were analyzed from the viewpoint of short-time prediction of time series data using artificial intelligence. A recurrent neural network model with periodic chaos neurons was used for the real-time prediction of chlorophyll-a time series on the basis of on-site continuous observation data. These data consisted of the chlorophyll-a from four algae classes, Chlorophyceae, cyanobacteria, diatom/dinoflagellates, and cryptophytes, measured by a submerged fluorometer. The results suggest that study of a neural network could be performed sufficiently for teaching data of which a value of the fractal dimension calculated by the Higuchi method was smaller. In addition, it is possible to conduct a short-time prediction of chlorophyll-a time series such that an upper limit of lead time could be beyond 12 h when there is an analogous time–frequency characteristic between the teaching and the predicting data. In conclusion, a recurrent chaotic neural network could be an effective analysis tool for short-time prediction of water quality on the basis of continuous observations, and the potential for prediction can be determined quantitatively using Higuchi's fractal dimension and time–frequency maps. Copyright © 2013 John Wiley & Sons, Ltd.

RÉSUMÉ

Pour évaluer la dynamique environnementale de l'eau liée à un phytoplancton, la dynamique qualitative de l'eau d'un réservoir eutrophe situé dans un bassin agricole d'une région côtière a été analysée dans la perspective d'une prévision à court terme des données de séries temporelles. On a utilisé pour cela l'intelligence artificielle. Dans cette étude, un modèle de réseau de neurones récurrents comprenant des neurones de chaos périodiques a été utilisé pour la prévision en temps réel de séries temporelles de chlorophylle à partir de données d'observation continues sur site. Ces données étaient composées de la chlorophylle de quatre classes d'algues: cholorophycées, cyanobactéries, diatomées/dinoflagellées et cryptophytes, mesurées par un fluorimètre immergé. Les résultats suggèrent qu'une étude de réseau de neurones pourrait être suffisamment accomplie pour des données d'apprentissage dont une valeur de la dimension fractale calculée par la méthode Higuchi est plus petite. De plus, il est possible de réaliser une prévision à court terme de séries temporelles de chlorophylle-a de telle façon qu'une limite supérieure de délai d'exécution pourrait être inférieure à 12 h, lorsqu'il existe une caractéristique de fréquence temporelle analogue entre les données d'apprentissage et de prévision. En conclusion, un réseau de neurones chaotiques récurrents pourrait être un outil d'analyse efficace pour la prévision à court terme de la qualité de l'eau sur la base d'observations continues, et le potentiel de prévision peut être déterminé quantitativement à l'aide de la dimension fractale de Higuchi et de cartes de fréquence temporelle. Copyright © 2013 John Wiley & Sons, Ltd.

Ancillary