水文数据采集和成果输出数字化的设计

建设水文数据采集和成果输出的数字化系统(以下简称数字化系统),是实现水文现代化的当务之急.简单介绍了数字化系统的硬件建设,并从ArcIMS空间服务器网站、水文信息及成果表数据库系统、强大的业务处理模块和水文数据的WebGIS空间展示建设等4个方面详细介绍了软件建设,分析了水文成果输出的数字化还需建设并完善的子系统.应用互联网和地理信息系统等技术,数字化系统的实现必将带来水文行业新发展.     

基于BP网络的中长期水文预报精度影响分析

文章分析了影响中长期水文预报BP网络模型精度的因素,其中输入层节点数、节点转换函数及网络训练方式的选择对模型精度的影响很大。并结合研究结果,对中长期水文预报BP网络模型的参数优选提出了一些建议。     

水文模型模拟水文极值的不确定性分析

以黄河源区为研究区,运用GLUE法分析了HBV模型和新安江模型模拟水文极值的不确定性。目标似然函数阈值分别选用0.7、0.6、0.5,将得到的洪水和枯水水文极值以及选出的模拟结果按丰水年、平水年和枯水年过程分别进行分析。结果表明:两个模型均擅长于模拟洪水,而且对洪水模拟的不确定性较对枯水模拟的不确定性低;从两个水文模型模拟日过程估计区间的差别看,HBV模型估计区间与实测相比,洪水年总体偏低,枯水年总体偏高,平水年不存在明显趋势,新安江模型则不存在这个特点;在相同的参数采样方法和策略下,HBV模型的不确定性比新安江模型更显著;两个水文模型对枯水指标Q_(90)和Q_(75)模拟的不确定性都较大;新安江模型对洪水指标Q_(25)和Q_(10)的估计区间小于HBV模型的,不确定性水平较低。     

基于Elman网络的黄河源区枯季径流预报研究

采用反馈Elman网络对黄河唐乃亥及玛曲两站1959～2003年年降水量及径流量进行了分析,建立了基于反馈神经网络的黄河源区枯季径流预报模型.利用matlab7神经网络工具箱对黄河源区唐乃亥站枯季径流量进行了预报.结果表明,所建立的ANN(7,7,15,7)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段.     

水文模型尺度问题的若干探讨

尺度问题是制约水文模型发展和应用的一个重要因素。在回顾和分析水文模型尺度研究进展的基础上,提出了水文模型尺度研究中的若干问题,包括水文模型与水文过程的尺度关系、时空异质性问题、水文建模与耦合的尺度性、遥感及GIS与水文模型的关系等问题,建议通过建立和发展全球水循环观测网络、加强水文过程的机理研究、从理论的视角来构建多尺度水文模型、基于遥感和GIS技术开展不同尺度水文模型研究等方法来解决水文模型尺度的关键问题,进而利用不同尺度水文模型预测全球水循环变化趋势,更好地应对流域区域乃至全球的气候变化问题。     

分布式水文模型与网络GIS技术集成的研究

分布式水文模型是目前流域模型方面的研究热点。为此,将分布式水文模型与网络GIS技术相集成,探讨了分布式水文模型在网络GIS框架下的数据存储、物理实现和消息通信方式,设计了完整的分布式水文模型与网络GIS框架集成方案,并根据集成方案实现了CREST模型的网络计算服务实例。实例结果表明,分布式水文模型与网络GIS技术集成具有良好的应用效果,能够拓展分布式水文模型的应用范围。     

Arc Hydro与Arc Hydro Groundwater水文数据模型研究综述

由于目前在地表水与地下水的联合模拟研究中备受青睐的Arc Hydro与Arc Hydro Groundwater水文数据模型能否应用于水文模拟尚缺少实证性研究,通过查阅大量文献资料,分析这两个水文数据模型的功能和优点,以及存在的问题和未来发展趋势。指出Arc Hydro模型虽然具备强大的水文分析与提取功能,但其本身并不能实现水文模拟,必须与独立的水文模型利用数据交换来完成水文模拟;Arc Hydro Groundwater模型虽然包含MODFLOW分析模型,但只能对MODFLOW模型输出的结果进行可视化处理,目前还不具备独立的地下水模拟功能。认为地表水与地下水联合模型与GIS耦合集成平台的开发将是未来研究的热点。     

水文干旱与气象干旱临界转变条件的判定及响应关系

水文干旱与气象干旱的响应关系对于建立健全干旱监测预报系统具有重要意义。基于区域水文干旱指数(SHI)与标准化降水指数(SPI),结合游程理论和非线性关系模型分析喀什河流域水文干旱与气象干旱的特征、响应关系及驱动因素。结果表明:水文干旱的年平均干旱历时和干旱烈度大于气象干旱,且随着SPI和SHI时间尺度的增加,识别出的干旱历时和干旱烈度也有所增加。基于三参数(log 3 P1)对数函数(Logarithm)模型可以更好地表征两者的响应关系。在3个月尺度下,气象干旱历时至少为1. 10个月且干旱的烈度至少为0. 83时,将诱发水文干旱;在6个月尺度下,气象干旱历时至少为1. 60个月且干旱的烈度至少为0. 91时,易发生水文干旱。     

过程线模拟中的下渗模型

由于下渗在建立径流形成模型中的重要性,从可变雨强中分割净雨时用了两个下渗方程:(1)用于分层土壤的Green和Ampt方程;(2)Kostiakov方程。这两个方程都曾用洪水过程线的水文模型(SMINF和BLOINF模型)作了检验。所得结果与实测流量非常一致。     

DEM与分布式水文模型中的耦合研究

以自然物理机制为基础的分布式流域水文模型,是当今水文界研究的热点之一.介绍了基于GIS的数字高程模型DEM(Digital Elevation Model)模块在分布式水文模型中的应用(产生流向、划分子流域、河网分级等)、数字化地理信息数据获得方法、分布式水文模型的结构及其成功应用的实例.     

基于BP网络的河道径流预报方法与应用

河道径流预报过程可以认为是一种复杂非线性函数关系的逼近过程。BP网络具有表达任意非线性映射的特性,因此建立了基于MATLAB神经网络工具箱的BP网络的径流预报模型。其中采用自相关函数确定网络输入层的神经元数,通过比较样本均方误差值来确定隐含层的神经元数。利用清江渔峡口以上流域1989~1995年的径流量资料对该模型进行了训练和检验,从而完成了该流域年径流量的预报,并且用多项精度评定指标对其进行了精度定量评价。结果表明:所建模型对所选流域的径流预报精度达到了乙等以上水平,具有一定的实用性。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

坡面产流模式的神经网络模拟

坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型（BP算法），并显示了具有较好的模拟预测效果。     

快速BP算法在年径流预测研究中的应用

中长期径流预测是水资源研究领域的一项重要内容,本文针对汾河上游兰村站的径流量进行预测。建立三层BP神经网络模型,采用Levenberg-Marquardt(LM)法对模型进行训练。结果表明:模拟和预测的结果精度较高,满足精度要求。LM-BP神经网络模型在汾河上游兰村站的径流预测中是可行的,研究结果可为区域水资源规划管理提供科学依据。     

Event-based Sediment Yield Modeling using Artificial Neural Network

In the present study, a back propagation feedforward artificial neural network (ANN) model was developed for the computation of event-based temporal variation of sediment yield from the watersheds. The training of the network was performed by using the gradient descent algorithm with automated Bayesian regularization, and different ANN structures were tried with different input patterns. The model was developed from the storm event data (i.e. rainfall intensity, runoff and sediment flow) registered over the two small watersheds and the responses were computed in terms of runoff hydrographs and sedimentographs. Selection of input variables was made by using the autocorrelation and cross-correlation analysis of the data as well as by using the concept of travel time of the watershed. Finally, the best fit ANN model with suitable combination of input variables was selected using the statistical criteria such as root mean square error (RMSE), correlation coefficient (CC) and Nash efficiency (CE), and used for the computation of runoff hydrographs and sedimentographs. Further, the relative performance of the ANN model was also evaluated by comparing the results obtained from the linear transfer function model. The error criteria viz. Nash efficiency (CE), error in peak sediment flow rate (EPS), error in time to peak (ETP) and error in total sediment yield (ESY) for the storm events were estimated for the performance evaluation of the models. Based on these criteria, ANN based model results better agreement than the linear transfer function model for the computation of runoff hydrographs and sedimentographs for both the watersheds.     

基于BP神经网络的MIKE SHE模型参数率定

为了更精细地对水文全过程进行描述和解析,更准确地构建分布式水文模型,以丹麦Karup流域为例,对MIKE SHE模型的饱和导水率、饱和带水平水力传导系数、河床透水系数进行了参数率定,模拟流域的日径流过程。结果表明:基于BP神经网络反分析的参数率定方法比MIKE SHE模型参数自动率定计算得到的均方根误差RMSE小,模型效率系数Ens更接近1;采用BP神经网络反演率定参数后,3组测试样本的日径流模拟过程的RMSE分别为0.04,0.03,0.08 m³/s,Ens均为0.99,且模拟结果能较好地反映径流的实际变化趋势。因此,这种基于BP神经网络反分析的参数率定方法对构建分布式水文模型具有一定的价值。     

基于RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

Runoff Modelling Through Back Propagation Artificial Neural Network With Variable Rainfall-Runoff Data

Multi layer back propagation artificial neural network (BPANN) models have been developed to simulate rainfall-runoff process for two sub-basins of Narmada river (India) viz. Banjar up to Hridaynagar and Narmada up to Manot considering three time scales viz. weekly, ten-daily and monthly with variable and uncertain data sets. The BPANN runoff models were developed using gradient descent optimization technique and were generalized through cross-validation. In almost all cases, the BPANN developed with the data having relatively high variability and uncertainty learned in less number of iterations, with high generalization. Performance of BPANN models is compared with the developed linear transfer function (LTF) model and was found superior.