Identification of physical processes inherent in artificial neural network rainfall runoff models

The emergence of artificial neural network (ANN) technology has provided many promising results in the field of hydrology and water resources simulation. However, one of the major criticisms of ANN hydrologic models is that they do not consider/explain the underlying physical processes in a watershed, resulting in them being labelled as black‐box models. This paper discusses a research study conducted in order to examine whether or not the physical processes in a watershed are inherent in a trained ANN rainfall‐runoff model. The investigation is based on analysing definite statistical measures of strength of relationship between the disintegrated hidden neuron responses of an ANN model and its input variables, as well as various deterministic components of a conceptual rainfall‐runoff model. The approach is illustrated by presenting a case study for the Kentucky River watershed. The results suggest that the distributed structure of the ANN is able to capture certain physical behaviour of the rainfall‐runoff process. The results demonstrate that the hidden neurons in the ANN rainfall‐runoff model approximate various components of the hydrologic system, such as infiltration, base flow, and delayed and quick surface flow, etc., and represent the rising limb and different portions of the falling limb of a flow hydrograph. Copyright © 2004 John Wiley & Sons, Ltd.     

基于EMD与神经网络的机械故障诊断技术

经验模式分解 (EMD)是分析非线性、非平稳信号的有力工具 ,它将信号分解为突出了原信号的不同时间尺度的局部特征信息的内在模函数 (IMF)分量。本文通过将各 IMF分量输入到 BP网络中进行训练学习和故障诊断 ,比直接输入原信号可以提高 BP网络对故障诊断的准确率 ,而且减少了训练时间。     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

机载粉剂催化剂播撒设备的研制及其在奥运和残奥消云中的应用

人为引发的下沉气流可以抑制对流云的发展,这一现象已在试验中得到验证。用“人工下沉气流法”实施人工消云试验时,需在云顶大剂量的播撒粉剂催化剂。北京市人工影响天气办公室研制了能完成此类大剂量播撤任务的设备,并通过外场飞行试验对设备进行检验和改进。这是国内人工影响天气领域首个采用空投播撒法的粉剂催化剂播撤设备;可减少催化剂对飞机和播撤设备的污染。分析发现,新设备能够满足人工消云作业中播撒大剂量粉剂催化剂的需要。该设备在北京奥运会、残奥会开闭幕式当日的消云试验作业中投入使用,共实施消云飞行作业9架次,累计利用新设备播撒吸湿性粉剂催化剂34吨。     

西苕溪流域不同土地类型下氮元素输移过程

以西苕溪流域为研究对象,选择最有代表性的5种土地类型,模拟天然大暴雨,通过3次重复实验研究不同形态氮素随暴雨径流及径流沉积物的迁移过程,估算氮素在流域内不同土地利用/土地覆被条件下的损失率。研究结果表明,在相同的降雨条件下,氮素的流失速率和流失量随土地利用/土地覆被类型的不同表现出明显差异,地表径流水相总氮的流失量桑林最大,水田最小。水相不同形态的氮素流失量亦有所不同,悬浮颗粒态氮占地表径流水相总氮的70 %~90 %,水相溶解态氮的流失量以松林为最高,竹林、桑林和水田接近而且较低,不同类型的水相溶解态氮也随土地利用类型的不同表现出各自的特征。各土地类型单位面积、表层10 cm土壤氮素流失高达4.66~9.40 g·m-2,其中随径流沉积物相迁移的氮素占绝大部分(90 % 以上)。估算出的各土地利用类型总氮流失速率,地表径流水相为2.68~14.48 mg·m-2·min-1,径流沉积物相高达100.01~172.67 mg·m-2·min-1。     

玛纳斯河流域人工绿洲扩张对社会经济和生态环境的影响分析

 利用2007—2009年的实地调查资料,结合1958—2006年的5期遥感影像解译数据,从干旱区内陆河流域典型绿洲的演变进程出发,分析了新中国成立以来近60 a玛纳斯河流域人工绿洲快速扩张的影响,强调了保持绿洲适宜规模的重要性,并从可持续发展的角度探讨了绿洲今后发展的方向。主要结论为:①近60 a玛纳斯河流域耕地和绿洲分别以107.756 km2·a-1和122.401 km2·a-1的速度迅速增长,二者扩张的方向基本一致;②绿洲的快速扩张对社会经济产生一定推动作用的同时,也带来了一系列的环境问题。如地表水利用率超过90%,地下水过度开采并以0.5~1 m·a-1的速度下降,水质污染增加,防护林大量死亡,森林破坏严重,草地从1958年到2006年减少4 316.39 km2,土地荒漠化威胁严重等;③从可持续发展的角度看,控制绿洲规模,适度开采地下水,转变产业结构,建立生态补偿机制等是今后本区发展的关键。     

南极长城站地区现代环境地球化学特征

本文通过环境背景值、风化壳地球化学、对流层(大气气溶胶)地球化学和人为地球化学异常,初步探讨了南极长城站地区的现代环境地球化学特征。分析表明:环境要素固有的地球化学性质、区域环境条件和自然环境演变之间具有深刻的内在联系。     

祁连山南麓退耕地主要植物群落植冠层的截留性能

退耕地人工群落植冠层的截留能力,是群落生态效益的重要组成部分,这一研究不仅可以掌握退耕还林还草工程作用的机理,还可以更好地指导工程实践,促进工程建设步伐。通过“简易吸水法”,可以快速掌握退耕地植冠层的最大截留潜力。青海省大通县退耕较早、平均年龄约10a以上的青海云杉、华北落叶松等几种人工群落,它们的林冠截留量较高,平均达1．93mm,为当地3种截留量最高、林龄50a之上天然群落的61％。青海云杉、华北落叶松、白桦、青杨、中国沙棘等退耕地人工群落的截留量,基本上显示出与林龄之间呈线性或Cubic、Quadratic正相关关系。在植物群落分层截留、消化吸收降雨的这一空间垂直序列中,植冠层截留量虽然较低,平均仅1．29mm(0．25～2．38mm),但植冠层的主要作用还在于减轻、缓冲雨水直接打击地面,改变降水的侵蚀性危害,而这些作用要远远高于截留量自身的区区数量。     

GPS高程转换的神经元网络方法分析

GPS高程转换是GPS高程应用的关键问题之一，试图应用神经元网络方法来进行GPS高程的转换，并在网络的拓扑结构与网络结构的改进等方面作了分析，通过GPS高程转换的二次曲面法和神经元网络法进行了比较试验，结果表明了神经元网络转换GPS高程的可行性和可靠性，对于应用神经网络转换GPS高程具有实际的指导意义。     

高轨卫星轨道预报中神经网络模型优化设计

高轨卫星是我国卫星导航系统的重要组成部分。提升该类卫星的轨道预报精度有利于用户定位精度的提高。提出了一种改进高轨卫星轨道预报精度的新方法。该方法避开了精化动力学模型的困难,尝试从轨道预报误差的规律中寻找突破。利用神经网络作为建立预报模型的工具,将某历史时刻的轨道预报误差作为训练样本,利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度。对影响神经网络模型补偿效果的各因素进行了详细分析,制定了适应于高轨卫星短期、中期和长期预报的神经网络最优模型。利用实测数据进行了试验分析,结果表明:预报8,15及30 d应选择的训练步长分别为10,20及25 min;轨道预报8~30 d时,训练噪声均选取0.01。神经网络模型有效地改进了高轨卫星的轨道预报精度,预报4~30 d,轨道精度提高幅度为34.67%~82.37%不等。