径流长期预报的人工神经网络方法

提出径流长期预报的人工神经网络方法。运用神经网络的一典型模型──“反向传播”模型,以大伙房水库在补水期的径流状况作为研究对象,尝试了神经网络方法的效果。结果表明,该方法预报成功率较高,容错能力较强,可望成为径流长期预报的有效的辅助手段。     

BP神经网络在贵州喀斯特山区径流预报中的应用

以贵州六冲河、倒天河流域为例建立喀斯特山区径流预报BP神经网络模型。六冲河流域以七星关站丰水期流量过程为输出数据,以丰水期降雨过程、出口断面前期流量过程、蒸发量作为输入数据,倒天河流域以徐家屯站丰水期流量过程为输出因子,丰水期降雨过程、前期流量过程作为输入因子。预报结果确定性系数DC值分别为0.538、0.420。结果表明将蒸发量作为输入数据、流域面积比较大模型预报精度较大。     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

遗传算法改进的BP神经网络在混沌径流时间序列预测中的应用

区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

大伙房水库上游流域水源涵养分析

对辽宁省大伙房水库上游流域水资源量和水源涵养能力进行了分析.提出了水源涵养的主要措施和生态工程建议方案.     

桓仁流域汛期旬径流预报方法研究

以桓仁流域为例,分析了我国北方流域汛期各旬不同的来水特点,对以往采用不变预报因子的旬径流预报方法进行了改进。汛期各旬挑选变预报因子,结合多元线性回归方法构建旬径流预报模型。计算结果表明,基于变预报因子的旬径流预报模型,更能反映流域旬径流变化规律,且比不变预报因子的预报精度高,预报效果更理想。     

基于OSR-BP神经网络的丹江口秋汛期径流长期预报研究

针对丹江口流域秋汛期(9、10月)径流长期预报,为了消除网络输入的复共线性与网络训练的过拟合现象,将最优子集回归(OSR)和BP神经网络进行耦合,综合考虑训练误差和检验误差,来确定网络训练的最佳训练次数和终止务件,在此基础上提出基于OSR-BP神经网络的径流长期预报技术,并对丹江口秋汛期入库径流量进行了模拟和试报,结果表明:建立的模型稳定性良好,不论模拟还是试报精度均令人满意,特别是对预报年份中的丰枯特征均具有较好的体现.     

苏子河流域土地利用变化对大伙房水库水量的影响

土地利用变化影响着地表径流,分析其变化规律与驱动力有利于实现土地资源与水资源的合理利用。本研究以大伙房水库上游苏子河流域为研究对象,运用转移矩阵分析法、相关分析法等分析方法,评估了气候因素、人为因素及土地利用变化对大伙房水库水量的影响,并主要从土地利用角度进行了分析,探讨水库水域面积增加的原因。结果表明：2000—2020年,水库水域面积呈逐年增加趋势,流域内最主要的两种土地利用变化为林地面积增加、农田面积减少,且两者均对流域产水量起到正效应;同时,气候因素的变化也对水库水量的增加起到正效应。     

基于深度学习的流域洪水预报模型研究

随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络（CNN,Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API, Antecedent Precipitation Index）结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。