基于误差修正的BP神经网络含沙量预报模型

以黄河龙门—潼关河段作为研究区域,在分析区间来沙来水对含沙量影响的基础上,建立了基于BP神经网络的潼关站含沙量过程预报模型。同时,为提高预报模型的预报精度,利用误差序列建立了相应的误差自回归模型对预报结果进行校正。校正前后泥沙过程的对比分析表明,校正后的泥沙过程预报精度有较显著的提高,5场验证泥沙场次的平均确定性系数由校正前的0.35提高到校正后的0.76。     

数据化模型模块技术在洪水预报建模中的应用

针对洪水预报模型的传统开发模式中存在重复开发、模型应用不灵活、扩展性差等问题,依据洪水预报模型的结构与逻辑特性,将模型拆分为多个相对独立的模块,并运用数据化模型模块技术对这些模块进行封装,形成洪水预报模型组件库;利用洪水预报模型组件库搭建洪水预报模型,将其应用于嵊州流域预报中。嵊州流域的应用实践表明,采用数据化模型模块技术搭建的洪水预报模型具有代码重用率高、移植性强、可扩展性好、易于维护等优点,同时为洪水多模型集合预报提供了便利,丰富了洪水预报结果。     

BMA方法在黄河龙门站含沙量过程 预报中的应用研究

以黄河流域吴堡站到龙门站为研究区域,建立龙门站含沙量过程的线性动态和BP神经网络两种统计模型,并结合BMA方法给出两种模型的综合预报结果。结果表明,在线性动态模型和BP神经网络模型的基础上,采用BMA方法进行含沙量预报模型的合成预报不仅可以提高预报精度,而且可以提供概率预报值。