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。     

雅砻江流域径流演变特征及成因

利用M-K检验、滑动t检验等方法系统地分析了雅砻江流域两河口、锦屏、官地和二滩4个水文站点径流情况,研究其年内分配、年际变化、趋势特征、突变点等径流过程变化特征,并探讨其成因。结果表明,雅砻江流域年内径流量主要集中在6～10月,约占年径流总量的75.46%;各站点年径流量整体呈下降趋势,从月径流量变化趋势来看,4站均在5、9月呈不显著上升趋势;雅砻江流域径流突变点为1987年,与流域内实际的水利工程建设时间基本一致,两种突变检验方法相结合提高了突变点识别的准确率。气象因素是1953～2011年径流变化的主要驱动因素,但大量水电站的开工与建成导致雅砻江流域径流在1987年发生变化。     

智慧水文监测体系中的关键技术简述

信息技术的高速发展,特别是物联网、移动宽带网络、云计算及大数据分析等技术的迅速成熟及广泛应用,为构造空天地一体化的智慧水文监测体系提供有效的技术支撑。概述物联网、移动计算、云计算及大数据的基本概念及结构,讨论上述信息技术在智慧水文监测体系中的应用。     

基于信息熵与改进极限学习机的中长期径流预测

为提高流域中长期径流预测精度,提出一种基于信息熵与改进极限学习机的中长期径流预测方法。首先,基于不同水文站点的流域控制面积构造径流综合指数,在较宏观层面表征流域水情丰枯变化;其次,采用偏互信息法计算影响对象与径流综合指数之间的相关性,获得径流过程变化的关键因子集,形成预测模型输入;最后,结合K折交叉验证与改进粒子群算法优化极限学习机(ELM)参数,构建IPSO-ELM模型,用于中长期径流预测。以雅砻江流域为例,将所建模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和PSO-ELM等预测模型进行对比分析。结果表明:所提模型的E_(mape)、E_(rmse)、E_(dc)、E_(qr)和E_(re)等性能评价指标明显优于上述4种模型;5种预测模型在D1数据集上的预测效果整体上胜于D2。