基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点（细粒度）月平均径流的一致性,构造流域径流综合指数（粗粒度）,在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络（IDBN）模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播（BP）神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明：所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。     

基于虚拟化的水利数据共享平台设计与实现

水利数据具有天然的地理分散性,又由于其采集方式的不同和各自管理的差异,形成了多源、异构、自治的特点,这些使得水利数据难以有效和大范围的共享。在分析水利数据应用与服务现状的基础上,结合虚拟化水信息资源组织,构建了虚拟化水利数据共享管理平台,重点讨论平台的软件架构及其技术特点。     

基于FPA-ELM模型的中长期径流预测——以雅砻江流域为例

为提高中长期径流预测效果，提出一种花授粉算法（FPA）优化极限学习机模型（ELM）的中长期径流预测方法。首先，构造反映流域水情丰枯变化的流域径流整体趋势变化因子（COM）,并采用偏互信息法获得影响中长期径流过程变化的关键因子集；然后，结合K折交叉验证与花授粉算法优化ELM参数，构建FPA-ELM模型，完成中长期径流预测。最后，以雅砻江流域为研究区域，将构建的FPA-ELM模型与BP神经网络（BPNN）、支持向量机（SVM）、ELM和GA-ELM等模型进行对比分析。结果表明：FPA-ELM模型的平均绝对百分比误差(Emape)为20.15%,均方根误差(Ermse)为268.77 m3/s,确定性系数(Edc)为0.916 9,合格率(Eqr)为60.0%,运算时间为19.32 s,均优于上述4种数据驱动模型。研究成果可为基于智能算法的中长期径流预测提供借鉴。     

水利数据中心技术标准与行政规章框架及其应用

随着水利信息化的发展,水利数据中心的地位日益凸显,标准化是水利信息化的基础。针对水利数据中心技术标准与行政规章稍显滞后的问题,简要分析水利信息化及水利数据中心的技术标准现状与主要需求,讨论水利数据中心技术标准规章的基本框架和实施策略,阐述广东省水利数据中心的标准化实践,实际应用表明,水利数据中心技术标准体系及标准化策略是可行和有效的,可为全国各级水利数据中心的建设与运行管理提供参考。     

广东省水利数据中心数据资源化研究及应用

物联网等信息技术的发展,极大地丰富了水利行业的数据资源。如何对数据资源进行标准化操作,实现资源共享条件下水利业务应用协同的目标,是当前水利行业亟待解决的重要问题之一。结合广东省水利数据中心数据资源化建设与实践,讨论了当前水利数据资源化建设存在的主要问题,从六个方面阐述了广东省水利数据中心数据资源化建设的实践。     

广东省水利数据中心的作用与效益分析

随着水利信息化的发展,水利数据中心建设进入了新的阶段。水利数据中心不但需要支撑水利信息的整合、交换和共享等服务,而且需要符合智慧水利建设与应用的要求,特别是需要具备智慧水利要求的大数据处理能力。本文结合广东省水利数据中心建设实践,简要总结了国内外数据中心的建设现状,阐述了广东省水利数据中心的主要作用,并对其效益进行了初步分析。     

广东省水利业务一体化管理的思路与系统结构

针对水利业务应用分散建设带来的各类问题,充分发挥水利数据中心资源集成共享的技术优势,建立统一数据、应用服务支持下的定制化水利业务应用体系及管理系统,是水利数据中心应用发展的必然选择。结合广东省水利业务一体化建设实践,分析当前水利业务应用建设存在的主要问题,讨论广东省水利业务一体化管理的技术思路和功能需求,构造系统体系结构。     

异构数据库转储平台设计与实现

探讨了采用ODBC技术对当前主流数据库进行整合,异构数据库统一转储的一种思路和方法。数据库转储克服了各大主流数据库之间的不兼容性,使转储后的目标数据库能满足大多数商业化需求和科研需求等。同时总结了异构数据库统一转储设计时需考虑的问题及应遵循的原则,并对当前异构数据库统一转储实践中存在的问题及面临的困难进行了分析,实践证明了文中数据库转储方法的可行性和可靠性。     

基于K-Means聚类算法的改进

本文基于传统的K-means聚类方法提出来一种基于密度的改进K-means聚类方法。改进后的方法,首先选取数据集中密度最大的点作为第一个聚类中心点,以此为基准,选取离此点最远的点作为第二个初始聚类中心,再在剩余的点中找出离这两个初始点距离最远的点作为第三个聚类中心,以此类推,直到找到所需的K个点,之后再根据K-means算法迭代更新聚类中心,直到收敛或达到设定的迭代次数为止。实验结果表明,本文提出的方法与传统K-means方法相比准确率及稳定性方面均有所提高,可以作为聚类研究的一个新的思路。     

粒理论及其应用于水利大数据分析的展望

为实现大数据技术在水利领域的应用,需要对水利大数据的时空特性展开研究。研究表明,时空大数据挖掘的计算框架与粒计算所蕴含的计算范式高度契合,因此,以粒理论为基础,构造由水利数据场景下的信息粒化分析、多粒度水利场景数据融合和时空数据挖掘等部分组成的方法与技术体系,从而降低基于大数据的水利复杂多时空尺度问题求解的时间和计算复杂度,是可行的方案之一。