Applications of artificial neural network technology in the design of water-table management systems.

This thesis describes the use of artificial neural networks (ANNs) to model the relationship between input and output variables in two water-table management systems, i.e., a subsurface drainage and a subirrigation systems. The input variables include precipitation, evapotranspiration, and midspan water-table depths. The output variables include the variation in the water-table depths. The measured rainfall and evapotranspiration data were used to derive water-table depth predictions from DRAINMOD: a conventional water-table management model. The measured data and derived predictions were used to develop an ANN model for water-table depths. The results obtained from the ANN were compared with the predictions made by DRAINMOD to determine the applicability of ANNs to land drainage engineering. ANN models were also used to study the relationships among various other design factors, including dry days, work days, SEW-30, drain spacing, water management, and annual crop yields with the help of DRAINMOD. The derived ANN models were used to predict annual crop yields. The predicted results from the ANN models were also compared with the results from DRAINMOD. The results show that an ANN model can make predictions similar to DRAINMOD, and it does so significantly faster and with fewer inputs. With adequate training, an ANN model is capable of simulating the fluctuation of water-table depths and the annual crop yields under conventional subsurface drainage and subirrigation.Ce projet de recherche a pour but l'utilisation d'un réseau neuronal artificiel RNA afin de simuler et prédire les variations de la hauteur de nappe libre pour des systèmes de gestion différents, tels le drainage conventionnel de même que l'irrigation souterraine. Les données de bases sont les facteurs météorologiques, tels, precipitation, évapotranspiration et hauteur moyenne de la nappe libre. Les données de precipitation et d'évapotranspiration recueillies ont été utilisées afin d'obtenir les predictions d'un modèle informatique éprouvé connu sous le nom de DRAINMOD. Les résultats ainsi obtenus ont été utilises pour développer un modèle base sur les RNA. Les résultats obtenus grace aux RNA ont été compares aux predictions faites par DRAINMOD afin de valider l'utilisation des RNA dans la gestion de la nappe d'eau et la planification du drainage. De plus, les RNA ont été utilisés dans l'étude des effets du terrain tels la sécheresse, jours de travail, espacement des drains, gestion de l'eau, et le rendement annuel, permettant ainsi la prediction des rendements annuels de culture. Les résultats de cette recherche démontrent que les RNA peuvent produire des predictions semblables a celles de DRAINMOD, et ce de façon significativement plus rapide et nécessitant moins de données de bases. Les RNA peuvent simuler les fluctuations de la hauteur de la nappe phréatique et prédire les rendements de culture sous drainage conventionnel de même que sous irrigation souterraine