基于神经网络理论的河道水情预报模型

河道水流运动过程特别是洪水演进过程是一个复杂的非线性动力学过程，鉴于神经网络具有很强的处理大规模复杂非线性动力学系统的能力，本文将神经网络理论用于河道水情预报的研究，以期识别水流运动变化过程与其影响因子之间的复杂非线性关系，为河道水情预报提供了一条新的途径。在此基础上建立了螺山站洪水预报的非线性动力学模型，通过分析研究得出近年来特别是1998年长江中游出现的小流量高水位现象与螺山汉口河段累计淤积有关，并得到螺山站水位变化与河床淤积之间的定量关系。     

具有河网水沙运动特点的人工神经网络模型

本文将人工神经网络模型与河网水沙连续方程联系，建立了具有河网水沙运动特点的人工神经网络模型，赋予神经网络内部参数物理概念。该模型的特点是对河道地形要求不高，能够满足水沙输移实时预报的要求。利用所建模型对长江中游荆江及洞庭湖区水沙运动规律进行模拟，结果表明该模型能够较好地反映河网水沙输移规律。     

河道溢油污染事故二维数值模型研究

为了研究内河船舶事故溢油的运动规律,在二维水动力、风场模型基础上,分别采用油粒子模型理论,建立了适合内陆狭长型河道溢油事故模拟的二维数值模型。在假定工况条件下,将模型应用于长江、汉江武汉段典型溢油事故的模拟研究。模拟结果表明模型较好地反映了风场、流场、复杂地形条件等对河道溢油扩展和漂移运动的影响规律,模拟结果可为河道突发性溢油污染事故预报和应急处理提供技术支持。     

黄河下游水位过程预报中的非线性分析

结合黄河下游冲淤型河段两个水文站的实测水沙资料，用非线性分析等方法，找出影响河道水位的主要非线性影响因素，在水位拟合模型的基础上，得出水位预报模型，实现水位过程的非线性预报。     

基于径向基函数神经网络的河网洪水泥沙预报

由于水沙作用机理和演进规律以及河道形态变化的复杂性,泥沙预报一直是洪水预报的难点.本文将径向基函数神经网络方法应用于复杂河网洪水水沙预报中,并采用k- 均值聚类算法确定径向基函数的中心,采用最小二乘法求解权值.在探讨建立预报模型基本方法的基础上,分别建立了具有2个预报期和3个预报期的珠江三角洲河网洪水水沙预报模型.计算结果表明,该方法能够较好地识别洪水水沙的演进规律,预测结果与实测结果吻合较好,运算速度快、简便易行且预报精度较高.     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

基于水文水动力学耦合的洪水预报模型研究及应用

为了提高下垫面变化剧烈流域的洪水预报精度,在传统流域水文模型的基础上耦合水动力学模型,建立水文水动力耦合洪水预报模型。首先利用水文模型获得某一断面的流量过程作为水动力学模型的边界条件;之后利用一维水动力学模型进行河道洪水演进计算,推求流域出口断面的流量过程;最后以烟台市外夹河流域为例进行验证。结果表明,所建水文水动力耦合模型模拟的产流合格率较高,流量过程与实测值吻合,在一定程度上弥补了集总式水文模型不能考虑河道内复杂水流运动的不足,因此对具有复杂水文、水力条件的流域的洪水预报具有重要的指导意义。     

神经网络在黄河河道断流防治中的应用研究

确保黄河河道不断流，是国家为适应经济社会可持续发展对黄河提出的新要求和新课题。枯季径流条件下断流防治技术是极其复杂的、影响因子众多的、高度非线性映射（因果）关系的问题。在解决这类问题方面，神经网络具有很强的处理大规模复杂非线性动力学系统的能力。将神经网络理论用于河道断流防治的研究，以期识别水流运动变化过程与其影响因子之间的复杂非线性关系，为河道断流防治技术的研究提供解决方案。     

人工神经网络与遗传算法在多泥沙洪水预报中的应用

由于水沙作用机制和演进规律的复杂性，以及河道形态变化等因素，多泥沙洪水预报一直是洪水预报的难点，对高含沙洪水快速、准确的预报是多年来国内外专家十分关注的课题。作者采用具有高度非线性识别能力的人工神经网络与遗传算法相结合的方法，探讨了建立智能预报模型的基本方法，进一步对如何提高预报精度的问题进行了研究，并结合黄河洪水预报实例检验了神经网络模型的可行性。检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，对水位、流量和含沙量都能进行合理预报。     

基于偏最小二乘回归与神经网络耦合的岩溶泉预报模型

本文将偏最小二乘回归与神经网络耦合，建立了泉流量预报模型。利用偏最小二乘法对影响岩溶泉流量的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量之间的多重相关性问题，降低了神经网络的输入维数。同时，利用神经网络建模可以较好地解决非线性问题。实例表明，本耦合模型的拟合和预报精度均优于独立使用偏最小二乘回归或神经网络建模的精度。     

感潮河段悬沙数学模型——以长江口为例

感潮河段的水流、泥沙运动有其独特的性质。本文针对其特点 ,水流的挟沙力由水动力因素、泥沙因素共同决定 ,以此建立非均匀悬沙的二维数学模式。模式用于模拟长江口感潮河段的悬沙含量的分布和变化 ,计算的结果与 1996年 9月实测资料拟合的较好 ,并在此基础上分析了感潮河段流速、含沙量与水流挟沙力的确定之间的关系。     

西辽河实时洪水统计预报模型

应用相应流量法建立西辽河主要断面的洪峰预报方案，并采用线性动态系统模型理论方法建立洪水过程的实时预报方程，形成了完整的河系预报系统模型．在洪峰预报方案中，考虑引入不同预报因子以反映不同的洪水特性；在洪水过程预报方程中，联合采用AIC准则和逐步回归算法确定模型结构，结合衰减记忆最小二乘递推算法的实时校正技术进行洪水过程预报．应用结果表明，开发的预报模型适用于西辽河的实时洪水预报问题，可供防洪决策参考。     

多元线性回归与BP神经网络模型在次洪量预测中的对比研究

针对半干旱地区次洪量预测问题,选取岔巴沟流域曹坪水文站1980-2010年中15场洪水资料,根据实测次暴雨、洪量资料,考虑淤地坝控制面积、次暴雨量、暴雨中心位置、前期影响雨量等因子,利用SPSS及MATLAB软件,建立用以预测次洪量的多元线性回归模型和BP神经网络模型。模型预测结果比较表明:多元线性回归模型和BP神经网络模型都能较好地应用于次洪量的预测,进一步得出BP神经网络模型的预测效果优于多元线性回归模型。研究结果可为淤地坝的安全度汛提供决策依据。     

城市近郊蓄滞洪区非洪水期调度运行管理研究--以治理深圳河第四期工程为例

针对城市近郊蓄滞洪区的功能和运行管理特点,以治理深圳河第四期滞洪区工程为例,从滞洪区地形和区域布置合理性着手,分析滞洪区与上下游河道水力高程特点,开展了非洪水期蓄水、泄水过程模型试验研究。建立了基于理想理论的湿地水体环境水体更换周期预测模型,研究多因素条件下的滞洪区湿地水体置换周期。为保障非汛期滞洪区生态湿地景观水位和良好水质状态,根据上游河道来水条件,制定了滞洪区进水闸、泄水闸调度备用运行方案。     

洪水预警预报系统建设与防汛决策水平刍议

简要介绍近年来广西洪水灾害情况 ,提出在广西建设洪水预警预报系统的重要性 ,通过对柳州市洪水预警预报系统建成前后洪水预报手段和结果的对比分析 ,说明非工程措施对减少洪水灾害的经济和社会效益。     

龙川江防洪工程建设对河床演变的影响

应用一维恒定非均匀沙河床演变数学模型，分析了堤防工程建设及青山咀水库建成后，下游龙川江楚雄城区10．4km河段的演变规律，揭示了河床冲淤变化对防洪的影响。冲淤计算结果表明，堤防工程建设后，河床发生微量淤积，但使洪水位抬高有限，对河道过流能力影响不大。青山嘴建库后，下游河床将发生冲刷下切及床沙粗化，但年际间的变化不至于危及堤防安全。为青山嘴建库提供了一定的评价依据。     

三门峡水库运用对库区冲淤影响的研究

根据实测资料计算和分析，非汛期水库回水淤积末湍距坝距离l1与非汛期水库最高运用水位和初始始河床平均高程交点距坝距离l2之比平均为1．07左右；水库汛期溯源冲刷输沙率与流量和坝前比降成正比，溯源冲刷范围一般在和大禹渡之间；水库近几年的排沙流量一般在1500－2500m^3/s之间，水库降低水位应控制在292－295m范围内，9、10月水库蓄水发电运用水位可适当提高，控制指标是以不影响大渡附近河段的冲刷为前提。建议在北村至大禹渡之间增设一个水位站作为水库新的控制指标站，并开展水库不同水位对该站以上河段冲淤影响的研究。     

利用精确的田间实验资料对几个常用根系吸水模型的评价与改进

本文利用大型蒸渗仪测得的作物腾发量、中子水分仪观测的土壤水分和准确测定的根系密度分布资料，对常用的几个宏观的权重因子类的根系吸水模型-Molz-Remson(1970)模型，Feddes(1978)模型，Selim-Iskan-dar(1978)模型以及作者对上述模型进行修正所得的几个根系吸水模型进行了验证和评价；利用修正的Feddes模型的计算结果对根系从不同土层吸水的分布进行了分析。结果表明，Molz-Remson(1970)模型、Feddes模型以及Selim-Iskandar模型模拟根系吸水所得的土壤水分剖面与实测值之间存在比较严重的偏差；利用Feddes模型中的土壤水势影响函数(Feddes reduction function)对Molz-Remson模型和Selim-Iskandar模型进行修正后结果没有得到改善；利用根系密度函数对Feddes模型进行修正后，计算结果与实测值吻合很好，总体偏差由修正前的24.7%降低为5.7%.