排序方式: 共有22条查询结果,搜索用时 15 毫秒
1.
受潮汐、径流、风速风向、地形变化等多种海陆要素交互作用,河口区盐水入侵呈高度不确定性与非线性特征,盐度预报难度较大.利用在线学习算法与误差自回归修正方法在水文预报中时效性更强的优点,构建一种耦合在线序列极限学习机-误差修正(OSELM-EC)盐水入侵预报模型,选取珠江河口区磨刀门水道为典型研究区进行逐日盐度预报.结果表... 相似文献
2.
珠江河口区盐度变化周期特征分析——以磨刀门水道为例 总被引:2,自引:0,他引:2
珠江河口区具有三江汇流、八门入海的复杂河网,水动力条件存在多种不确定性,加之河口区水资源系统受快速城市化、河口挖沙与河道整治、上游水利工程调度、海平面上升等多重因素影响,盐水入侵现象异常复杂。选取磨刀门水道广昌站近10年来(2001―2011年)枯水期逐日及逐时盐度序列,应用小波分析方法,研究了珠江河口区―磨刀门水道盐度序列多时间尺度周期特征。研究结果表明:磨刀门水道盐度变化周期特征与潮汐周期特征一致,存在明显的日周期(24.6 h)、半月周期(14.8 d)及不明显的半日周期(12.3 h)、月周期(30 d)。 相似文献
3.
通过界定敏感性参数的含义,认为参数的敏感性是系统对某一指参数的变化的敏感程度,以此为依据建立M-YAS模型分析参数的敏感性。以佛山市为例选取37 项影响水资源可持续的参数,分析水资源可持续性的参数敏感性问题,结果表明:37项反映水资源可持续性的参数中,仅13 项参数(生活用水定额、林牧渔畜用水量、工业用水定额、农田灌溉用水量、工业用水量、耕地灌溉定额、万元工业增加值用水量、火电冷却用水量、城乡生活用水量、工业节水、万元生产总值用水量、生活节水和农业节水)对于水资源可持续性的目标层而言是敏感性参数,且13项参数均来自用水结构与效率的准则层,说明区域水资源可持续性的目标层对用水结构与效率的准则层较为敏感。 相似文献
4.
基于AGA的SVM需水预测模型研究 总被引:1,自引:0,他引:1
需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度. 相似文献
5.
针对现有水位流量关系线型物理机制不强及流量估算不确定性来源考虑不充分问题,以北江流域石角水文站为例,推导该测站水位流量关系,基于BaRatin模型评估流量测量误差及率定样本选取对估算流量不确定性的影响。发现河槽控制宽浅矩形断面水位流量关系为幂函数,其系数可用糙率、河宽、比降表达,指数为定值5/3;考虑流量测量误差后高水估算流量总不确定性减小32%;率定数据增加1倍、3倍,高水估算流量总不确定性减小12%、34%。结果表明:①水位流量关系模型建立方法可推广至多类型测站;②高水测量误差对率定精度影响较大,建议提高高水流量测量精度;③现有实测水位与流量数据存在信息冗余,主要存在于低水数据中,本方法可减少率定数据使用,降低整编成本。 相似文献
6.
7.
8.
针对现有水位流量关系线型物理机制不强及流量估算不确定性来源考虑不充分问题,以北江流域石角水文站为例,推导该测站水位流量关系,基于BaRatin模型评估流量测量误差及率定样本选取对估算流量不确定性的影响。发现河槽控制宽浅矩形断面水位流量关系为幂函数,其系数可用糙率、河宽、比降表达,指数为定值5/3;考虑流量测量误差后高水估算流量总不确定性减小32%;率定数据增加1倍、3倍,高水估算流量总不确定性减小12%、34%。结果表明:① 水位流量关系模型建立方法可推广至多类型测站;② 高水测量误差对率定精度影响较大,建议提高高水流量测量精度;③ 现有实测水位与流量数据存在信息冗余,主要存在于低水数据中,本方法可减少率定数据使用,降低整编成本。 相似文献
9.
为改善台风预报精度,基于实时滚动修正预报思路,利用卷积神经网络嵌套长短期记忆神经网络(CNN-LSTM)和误差校正(EC)技术,搭建了珠江河口台风实时预报模型。研究结果表明:“滚动预报”比单次预报有更好的路径和强度预报效果,随着模型滚动时间的延长,预报整体精度有逐渐改善的趋势。路径预报结果的均方根误差比单次预报减小了25.67%,强度预报结果的平均绝对误差比单次预报减小了65.04%;考虑误差校正的CNN-LSTM-EC的路径、强度“滚动预报”效果均优于CNN-LSTM,前者的路径预报误差较后者减小了22.57%,强度预报误差减小2.5%。 相似文献
10.