Vědecký článek nového Centra Environmentálních studií v Karlových Varech: Combination of Hybrid Artificial Neural Networks with Particle Swarm Optimization Algorithm for SPEI Forecasting
Studie ukazuje, že kombinace umělých neuronových sítí a optimalizace pomocí částicových rojů (PSO) je velmi účinná pro předpověď indexu SPEI, přičemž nejlepší výsledky poskytl algoritmus APartPSO a jako cílová funkce Nash–Sutcliffeova efektivita. Výzkum potvrzuje vhodnost hybridních modelů ANN–PSO pro monitoring sucha a jejich využitelnost i v dalších hydrologických úlohách. Článek je originálně publikován v anglickém jazyce.
Centrum environmentálních studií v Karlových Varech (CESKV) vzniklo v rámci strategického projektu OPST Chytrá krajina 2030+. V prvním roce zveřejnilo vědecké články, které byly publikovány v prestižním vědeckém časopise spadajícím do prvního kvartilu nejlepších časopisů (Q1) na seznamu Web of Science.
Tématem článků jsou aspekty udržitelné urbanizace krajiny s ohledem mimo jiné na potravinovou bezpečnost a na adaptaci společnosti na klimatickou změnu.
Článek je originálně publikován v anglickém jazyce. Níže naleznete odkaz a pdf soubor k celému článku.
Abstract
Forecasting drought is critical to mitigate its potential impacts on agriculture, water resources, and ecosystems. In this study, we focused on predicting the standardized precipitation evapotranspiration index (SPEI), a widely used climatic water balance indicator. We developed a hybrid modeling framework that combines artificial neural networks (ANNs) with particle swarm optimization (PSO) to train network weights. The study evaluated the influence of four factors on SPEI forecasting performance: the PSO variant, the number of input variables, the number of hidden-layer neurons, and the choice of objective function. A total of 150 model configurations were tested using long-term meteorological data from eight U.S. catchments from the Model Parameter Estimation Experiment (MOPEX) database. Results showed that the APartPSO variant achieved the best optimization performance, and the Nash–Sutcliffe efficiency was the most effective objective function. These findings confirm that the integration of ANN with PSO is suitable for forecasting the SPEI and suggest that advanced PSO variants can be effectively applied to other inverse modeling problems in hydrology.
Significance Statement
Drought prediction is essential for effective water resource management and minimizing environmental and societal impacts. This study presents a new approach for forecasting the standardized precipitation evapotranspiration index by combining artificial neural networks (ANNs) with particle swarm optimization (PSO). Applied to eight U.S. catchments, the hybrid ANN–PSO model performed best when using the APartPSO variant for training and the Nash–Sutcliffe efficiency as the objective function. These results support the use of hybrid PSO–ANN models in drought monitoring and planning. The approach offers a flexible framework that can be adapted to other regions. Future research could incorporate additional climate variables to further enhance prediction accuracy.