El Niño southern-oscillation prediction using southern oscillation index and Niño3 as onset indicators: Application of artificial neural networks

2005 ◽  
Vol 4 (2) ◽  
pp. 113-121 ◽  
Author(s):  
Mahad S Baawain ◽  
Mohamed H Nour ◽  
Ahmed G El-Din ◽  
Mohamed Gamal El-Din
Keyword(s):  
Neural Networks ◽  
Artificial Neural Networks ◽  
El Niño ◽  
Southern Oscillation Index ◽  
El Nino ◽  
Southern Oscillation ◽  
El Niño Southern Oscillation ◽  
El Nino Southern Oscillation ◽  
Artificial Neural

scholarly journals KORELASI INDEKS NINO 3.4 DAN SOUTHERN OSCILLATION INDEX (SOI) DENGAN VARIASI CURAH HUJAN DI SEMARANG

2018 ◽  
Vol 19 (2) ◽  
pp. 75
Author(s):  
Anistia Malinda Hidayat ◽  
Usman Efendi ◽  
Lisa Agustina ◽  
Paulus Agus Winarso
Keyword(s):  
El Niño ◽  
Southern Oscillation Index ◽  
El Nino ◽  
Southern Oscillation ◽  
El Niño Southern Oscillation ◽  
El Nino Southern Oscillation

Semarang merupakan salah satu wilayah di Indonesia yang rawan terdampak bencana hidrometeorologi. Sejumlah wilayah di Semarang merupakan daerah rawan kekeringan, sementara di wilayah lainnya merupakan daerah langganan banjir tiap tahunnya. Salah satu parameter yang memiliki keterkaitan erat dengan fenomena hidrometeorologi adalah El Nino Southern Oscillation (ENSO). Sebagai sirkulasi tropis non musiman, ENSO memiliki peran penting terhadap variasi curah hujan yang diamati. Penelitian terkait ENSO telah banyak dilakukan sebelumnya, namun belum ada penelitian tekait yang dilakukan di Semarang yang notabene merupakan daerah rawan bencana hidrometeorologi, sehingga fluktuasi ENSO menarik untuk dikaji di wilayah ini. Penelitian ini bertujuan untuk menganalisis korelasi fenomena global laut atmosfer terhadap distribusi curah hujan di wilayah Semarang. Dalam jangka waktu 15 tahun (2001-2015), pengaruh dari ENSO dianalisis menggunakan korelasi temporal untuk menentukan dampak dari ENSO pada curah hujan yang diamati di enam pos pengamatan hujan di Semarang. Analisis tersebut menunjukkan bahwa korelasi antara anomali Suhu Permukaan Laut (SPL) di wilayah Nino 3.4 dengan curah hujan diamati secara signifikan pada lima pos pengamatan hujan selama periode September Oktober November (SON) dengan rentang nilai korelasi antara -0.598 sampai dengan -0.679. Sementara itu, korelasi variabilitas curah hujan dengan Southern Oscillation Index (SOI) menunjukan nilai yang berkisar antara 0.561 sampai dengan 0.780. Curah hujan yang diamati umumnya selalu berkurang pada tahun-tahun dimana nilai indeks Nino 3.4 positif dan nilai SOI negatif, sedangkan curah hujan diamati meningkat pada tahun-tahun dimana nilai indeks Nino 3.4 negatif dan nilai SOI yang positif.

El Niño-Southern Oscillation forecasting using complex networks analysis of LSTM neural networks

2019 ◽  
Vol 24 (4) ◽  
pp. 445-451 ◽  
Author(s):  
Clifford Broni-Bedaiko ◽  
Ferdinand Apietu Katsriku ◽  
Tatsuo Unemi ◽  
Masayasu Atsumi ◽  
Jamal-Deen Abdulai ◽  
...  
Keyword(s):  
Neural Networks ◽  
Complex Networks ◽  
El Niño ◽  
El Nino ◽  
Southern Oscillation ◽  
El Niño Southern Oscillation ◽  
El Nino Southern Oscillation ◽  
Networks Analysis

scholarly journals Streamflow prediction of the Yangtze River base on deep learning neural networks: Impact of the El Niño–Southern Oscillation

2021 ◽  
Author(s):  
Si Ha ◽  
Darong Liu ◽  
Lin Mu
Keyword(s):  
Neural Networks ◽  
El Niño ◽  
Yangtze River ◽  
El Nino ◽  
Southern Oscillation ◽  
El Niño Southern Oscillation ◽  
El Nino Southern Oscillation ◽  
The Yangtze River ◽  
Monthly Streamflow ◽  
Extreme Flood

Abstract Accurate long-term streamflow and flood forecasting has always been an important research direction in hydrology research. Nowadays, with climate change, floods, and other anomalies occurring more and more frequently and bringing great losses to society. The prediction of streamflow, especially flood prediction, is important for disaster prevention. Current hydrological models based on physical mechanisms can give accurate predictions of streamflow, but the effective prediction period is only about one month in advance, which is too short for decision making. Previous studies have shown a link between the El Niño–Southern Oscillation (ENSO) and the streamflow of the Yangtze River. In this paper, we use ENSO and the monthly streamflow data of the Yangtze River from 1952 to 2016 to predict the monthly streamflow of the Yangtze River in two extreme flood years by using deep neural networks. In this paper, three deep neural network frameworks are used: Stacked LSTM, Conv LSTM Encoder-Decoder LSTM and Conv LSTM Encoder-Decoder GRU. Experiments have shown that the months of flood occurrence and peak flows predicted by these four models become more accurate after the introduction of ENSO. And the best results were obtained on the Convolutional LSTM + Encoder Decoder Gate Recurrent Unit model.

Sign in / Sign up

Export Citation Format

Share Document