La prévision des précipitations reste une question extrêmement importante dans le domaine de l'hydrologie. D'autre part, les précipitations sont l'un des processus hydrologiques efficaces les plus compliqués dans la prévision du ruissellement.

Dans la présente étude, on a tenté de développer des modèles de réseaux neuronaux artificiels (ANN) et de systèmes d'inférence neuro-floue adaptatifs (ANFIS) pour la prévision des précipitations quotidiennes pendant la période de mousson à Junagadh, Gujarat, Inde. Les données de la période (1er juin au 30 octobre) des années 1979-1981, 1984-1989 et 1991-2007 ont été utilisées pour former les modèles et les données des années 2008-2011 ont été utilisées pour tester les modèles.

L'analyse de sensibilité a été utilisée pour identifier le paramètre le plus important pour la prévision des précipitations. Dans le modèle ANN, l'algorithme de rétropropagation et la fonction d'activation sigmoïde ont été utilisés pour former et tester les modèles, tandis que dans les modèles ANFIS, les fonctions d'appartenance gaussienne et de cloche généralisée ont été utilisées.

L'étude a montré que les performances du modèle ANN à double couche cachée avec quatre paramètres d'entrée sont meilleures que celles du modèle ANFIS. L'analyse de sensibilité a indiqué que le paramètre d'entrée le plus important, outre les précipitations elles-mêmes, est la pression de vapeur dans la prévision des précipitations.

. .