扩域搜索遗传算法优化马斯京根参数及其应用

马斯京根法作为河道洪水预报的重要方法,参数和系数的率定是关键和难点,直接影响其预报精度。在详细阐述扩域搜索遗传算法基本思想和性能分析的基础上,以模拟结果与实测值的误差最小作为进化目标,直接搜索马斯京根法预报方程系数,获得河道上下游流量关系方程。对黄河下游夹河滩至高村的洪水过程进行研究,传统方法的平均绝对误差为240 m³/s,平均相对误差为0.13;遗传算法的平均绝对误差为95 m³/s,平均相对误差为0.05。结果表明：遗传算法精度明显高于传统方法。在实际应用中,对于河道洪水波的传播规律性变化较大的河道,应根据不同量级洪水来模拟洪水的传播规律,并对相应量级的洪水进行预报。     

SIMHYD模型在松花江流域应用的适应性分析

近年来,概念性水文模型在水文预报中得到了广泛应用,为探讨SIMHYD模型在松花江流域应用的适应性,为其汛期的防洪控制、水库调度提供依据,本文选择嫩江流域上游石灰窑断面和第二松花江流域白山断面汛期(6—9月)的日径流过程进行模拟。计算结果表明,SIMHYD模型在松花江流域的应用中存在区域性差异:在嫩江流域上游石灰窑汇水区,率定期的纳什系数为0.501,验证期的纳什系数为0.158,模型应用的适应性较差;在第二松花江流域白山汇水区,率定期的纳什系数为0.777,验证期的纳什系数为0.729,模型应用的适应性优良。模型对于洪峰处的模拟存在较大误差,主要原因在于该模型没有考虑到产流时空分布不均及河道汇流计算过程。     

基于LSTM网络的单台仪器地震烈度预测模型

烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory, LSTM)的单台仪器地震烈度的预测模型(LSTM-I).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-I模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-I模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-I模型评估了VI度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-I模型具有较高的时效性.