Kunstmatige neurale netwerken (ANN's) zijn een biologisch geïnspireerde computermethode die grote hoeveelheden gegevens kan ontvangen, patronen vinden, leer van hen en ontwikkel vervolgens voorspellingen voor toekomstige gebeurtenissen. Ze zijn voorgesteld als een nuttig hulpmiddel om de complexe relaties tussen grote hoeveelheden gegevens met betrekking tot de transformatie van regenval in afvoer te verwerken. Deze relatie is een van de moeilijkste hydrologische problemen waarmee waterbeheerders worden geconfronteerd.

Onderzoekers van Universiti Putra Malaysia 'leerden' een ANN om de dagelijkse afvoer van de Bertam-rivier naar het Ringlet-reservoir 200 kilometer ten noorden van Kuala Lumpur te voorspellen. Ze verzamelden dagelijkse regen- en stroomgegevens van het stroomgebied van de Bertam-rivier over een periode van tien jaar, van 2003 tot 2012, en geschatte dagelijkse waterverdamping met behulp van temperatuurgegevens die zijn verzameld van het dichtstbijzijnde station bij het reservoir. Zeventig procent van deze gegevens werd ingevoerd in het model om het te trainen, terwijl de resterende 30% van de gegevens werd gebruikt om de nauwkeurigheid van het model te testen met behulp van statistische evaluatiemetingen. De ANN is ontwikkeld om de relatie tussen regen en afvoer in kaart te brengen. Hoe meer factoren worden gebruikt, hoe nauwkeuriger de resultaten. De ANN was in staat om de rivierstroom in het reservoir te voorspellen met een nauwkeurigheid van 76%.

"De resultaten geven aan dat het kunstmatige neurale netwerk een krachtig hulpmiddel is bij het modelleren van regenafvoer, " melden de onderzoekers in a Pertanika Journal of Science &Technology studie. "De verkregen resultaten kunnen waterbeheerders helpen om het reservoir goed te gebruiken in het geval van extreme gebeurtenissen zoals overstromingen en droogte, " voegen ze eraan toe.

De voorspellende kracht van de ANN kan worden verbeterd door extra inputs op te nemen, zoals ontbossing, landbouwactiviteiten en landgebruik, zeggen de onderzoekers.