CASC2D分布式水文模型异构并行算法研究

针对 CASC2D 模型精细化水文模拟时面临的计算耗时长、效率低等问题,在保持产汇流算法和流域拓扑结构的基础上,采用 CPU+GPU 的异构并行算法对 CASC2D 模型程序进行重新设计和优化,模型程序中的降雨、 产流、坡面汇流和河道汇流过程均优化为并行计算,以提高 CASC2D 模型的计算效率。将优化后的 CASC2D 模型应用于前毛庄流域的洪水流量过程模拟,计算结果与原 CASC2D 模型保持一致。在栅格分辨率为 30 m,计算步长为 3 s 时,与原 CPU 串行计算方法相比,并行加速比达到 34 倍以上,并且栅格单元数据精度越高,加速比提升越明显。异构并行算法可在不降低模拟精度的条件下显著提升 CASC2D 模型的计算效率,满足实时水文预报的应用需求。     

雅鲁藏布江中上游分布式洪水预报方案研究

雅鲁藏布江中上游,流域面积大,水文站点稀少,目前还无法进行有效的洪水作业预报。基于数字高程模型,利用Arc GIS软件中的水文分析功能,对该区域进行流域空间离散,通过生成流域流水网、划分流域子单元、建立产汇流分区、生成分区间拓扑关系等步骤,构建分布式洪水预报方案。针对雅鲁藏布江中上游的流域特性,选用新安江模降雨径流和马斯京根河道演算模型,对流域的水文过程进行模拟。结果表明,该预报方案能较好模拟流域重要站点的水文过程。     

一种可扩展的气象水文网格模型

基于气象水文和网格技术的发展现状,结合气象水文领域的应用特点,提出了一种可扩展的气象水文网格模型,重点研究网格技术在气象水文领域的应用框架及其模块结构。该网格模型首先通过网格技术将异构的气象水文资源进行整合和统一管理;抽取各气象水文应用的公共元素,提供统一的用户认证和用户活动控制;并在此基础上通过动态承载气象水文应用服务的办法来保证各类应用的独立运行,同时各种新的气象水文应用可以加载到已有的网格环境。分析表明该气象水文网格模型具有很强的灵活性和可扩展性。     

一种LSTM-BP多模型组合水文预报方法

水文数据是具有时序性的非线性数据，具有高度的不确定性和复杂性。使用单一模型进行预报的结果常常不尽人意，因此本文基于LSTM和BP神经网络建立LSTM-BP多模型组合预报模型进行水文预报。以子午河流域洪水数据为例进行预报，实验结果表明，多模型组合预报模型的预报结果要优于单一模型，同时预报的稳定性和精确度也得到了提高，从而为水文预报提供了新的思路。     

基于ASTER-GDEM的延河流域水系分维特征分析

沟谷水系提取及分析,在描述地形骨架、获取构建分布式水文模型参数及研究地貌发展进程中有重要作用.传统的水系分维计算方法主要有量规法和栅格法,本文将汇流阈值类比量规,遵照量规法的计算方法,研究流域的不同汇流,值得到不同的水系长度,分析其对数关系以计算水系的分维值.基于ASTER-GDEM数据源,以陕西省延河流域为例进行分析,其分维值为1.058;结合流域侵蚀积分曲线可知,延河流域水系侵蚀强烈.     

动态贝叶斯网络在水文预报中的应用

贝叶斯网络是目前人工智能中不确定知识与推理中最有效的理论模型之一。提出一种基于动态贝叶斯网络模型理论的水文预报方法。在综合考虑降雨径流成因的基础上,利用领域专家知识构建网络模型,在已有降雨、流量数据的基础上通过计算变量间的条件概率来计算流量发生的可能性。最后,通过渭河流域咸阳至临潼段历时数据进行仿真实验,对仿真结果和该模型进行了分析。     

基于模式挖掘的中小河流暴雨洪水模式库

传统神经网络预测方法在水文领域已经有较成功的应用,但对于一些资料匮乏地区进行洪水预报时,由于训练样本的缺失,模型参数难以满足要求,使用这些方法预报结果往往并不理想。本文提出构建适用于待预报流域的暴雨洪水模式库的新思想,对该流域历史水文数据进行符号化模式挖掘处理,然后通过分析频繁模式和洪水流量水文时间序列,完成中小河流暴雨洪水模式库构建。使用具有中小河流典型特征的昌化流域的历年水文数据进行实验,实验结果表明,采用本文模式挖掘方法构建中小河流暴雨洪水模式库,并利用模式库快速预报未来洪水流量过程线走势,具有准确性和流域适用性。     

一种基于模式识别的水文知识库构建方法

提出了一种基于句法结构识别的水文知识库构建方法,阐述了模式识别相关理论,提取水文图像结构信息分类特征,构建水文知识库。传播损失计算精度严重影响声呐性能,而传播损失计算精度又受不确定海洋环境影响,在此选取了不确定海洋环境参数主要影响因素,例如:海底底质、声梯等,将多维度的声速剖面提取特征点后编码,建立历史水文知识库索引,为传播损失计算精度的提高和后续作用距离预报提供数据支持。     

海河流域水文预报系统软件开发

基于计算机图形技术和数据库技术，开发了一套海河流域水文预报软件系统。该系统采用客户／服务器体系结构，基础数据来源于系统远程服务器数据库，具有雨水情分析处理，洪水，水文预报信息查询，地理分布式信息查询（电子地图查询），图形显示与打印，帮助等功能，可以及时，准确地进行海河流域水文预报和信息查询，也可以图形显示分析，预测结果，用户界面友好，使用方便。     

网格化分布式新安江模型并行计算算法

近年来,网格化分布式新安江模型（GXM）在洪水预报中发挥了重大作用,但在进行洪水过程模拟时,模型数据量与计算量巨大,GXM的计算时间随着模型预热期的增加呈指数增长,严重影响GXM的计算效率。因此,提出一种基于网格流向划分与动态优先级有向无环图（DAG）调度的GXM并行算法。首先,对模型参数、模型构件、模型计算过程进行分析;其次,从空间并行性的角度提出了基于网格流向划分的GXM并行算法以提高模型的计算效率;最后,提出一种基于动态优先级的DAG任务调度算法,通过构建网格计算节点的DAG并动态更新计算节点的优先级以实现GXM计算过程中的任务调度,减少模型计算中数据倾斜现象的产生。在陕西省大理河流域与安徽省屯溪流域对提出的算法进行实验,在预热期为30 d、数据分辨率为1 km的情况下,相较于传统的串行算法,所提算法的最大加速比分别达到了4.03和4.11,有效提升了GXM的计算速度与资源利用率。     

一个基于服务的网格计算模型

文中提出一个基于服务的网格计算模型，该模型强调了一个网格就是一个特殊的计算系统。通过这个模型与传统计算系统模型的比较，分析了它们的相似点和不同点，这对于网格的研究是很重要的。文中所提出的模型对网格计算的研究也是非常有用的。它不仅为开发一个网格系统提供了一定的帮助，而且为网格理论上的研究提供了一个框架。     

数据挖掘在河道洪水准确预测中的应用研究

研究河道洪水的准确预测问题。由于水文数据是河道过去某些较短时间段内获取的数据,不能完整包含河道特性,使得较短的水文数据中的预报因子较难提取。传统的预测方法是直接提取水文数据中的预报因子,不能保证预报因子的准确度而造成预测准确性不高。为此,提出数据挖掘技术应用在河道洪水预测中。对水文数据进行分组后根据模糊算法对数据进行优化,采用数据挖掘算法找到水文数据隐藏的深层规律,并据此提取出预报因子,避免直接从较短的水文数据中提取预报因子而不准确的问题,最终根据关联规则构建洪水预测模型,并输入预报因子和降水值完成洪水预测。实验表明,这种方法能够从较短水文数据中有效提取预报因子,准确完成河道的洪水预测。     

基于GIS的泥石流流域分布式水文计算系统

基于GIS技术与分布式水文模型,设计并实现泥石流流域分布式水文计算系统。以流域降雨、高程、坡度等数据为输入,对泥石流流域的降雨产流、产沙进行模拟,自动批量计算指定时间段内每日流域出口清水流量、泥沙流量以及流水含沙量。将系统应用到云南蒋家沟泥石流流域中,计算得到的高含沙水流含沙量与实测的含沙量数据误差很小,表明系统具有较高的精度和适用性。     

基于GIS的泥石流流域分布式水文计算系统

基于GIS技术与分布式水文模型,设计并实现泥石流流域分布式水文计算系统。以流域降雨、高程、坡度等数据为输入,对泥石流流域的降雨产流、产沙进行模拟,自动批量计算指定时间段内每日流域出口清水流量、泥沙流量以及流水含沙量。将系统应用到云南蒋家沟泥石流流域中,计算得到的高含沙水流含沙量与实测的含沙量数据误差很小,表明系统具有较高的精度和适用性。     

神经网络在洪水预测中的应用研究

对基于神经网络的洪水序列预测方法进行了研究.将动态学习率、惯性冲量方法改进的神经网络模型用于水文时间序列洪水预报中,提出以确定性系数最大为评价标准的参数优选方法.经两个洪水序列的实例研究结果表明,神经网络对于变化平缓的洪水序列,预报效果很好,对于彼动剧烈的复杂水文序列,洪水预报效果不如前者.     

基于ASTER-GDEM的延河流域水系分维特征分析

沟谷水系提取及分析，在描述地形骨架、获取构建分布式水文模型参数及研究地貌发展进程中有重要作用。传统的水系分维计算方法主要有量规法和栅格法， 本文将汇流阈值类比量规，遵照量规法的计算方法，研究流域的不同汇流，值得到不同的水系长度，分析其对数关系以计算水系的分维值。基于ASTER GDEM数据源， 以陕西省延河流域为例进行分析，其分维值为1.058；结合流域侵蚀积分曲线可知，延河流域水系侵蚀强烈。     

基于网格的分布式虚拟环境仿真

针对传统分布式虚拟环境仿真的不足,将网格计算技术引入到分布式虚拟环境仿真中。提出了基于网格的分布式虚拟环境仿真分层体系结构。该体系结构自底向上依次为网格节点、高性能通信系统、数据存储系统、计算系统、资源管理系统、仿真应用系统,并通过网格门户提供统一的仿真应用系统入口。建立了一个基于该体系结构的原型系统并进行了仿真测试。仿真结果表明所提出的体系结构设计满足虚拟环境仿真实时性、稳定性和可靠性的要求。     

基于图注意力网络与双阶注意力机制的径流预报模型

为了提高流域径流量预报的准确率,考虑数据驱动水文模型缺乏模型透明度与物理可解释性的问题,提出了一种使用图注意力网络与基于长短期记忆网络（LSTM）的双阶注意力机制（GAT-DALSTM）模型来进行径流预报。首先,以流域站点的水文资料为基础,引入图神经网络提取流域站点的拓扑结构并生成特征向量;其次,针对水文时间序列数据的特点,建立了基于双阶注意力机制的径流预报模型对流域径流量进行预测,并通过基于注意力系数热点图的模型评估方法验证所提模型的可靠性与透明度。在屯溪流域数据集上,将所提模型与图卷积神经网络（GCN）和长短期记忆网络（LSTM）在各个预测步长下进行比较,实验结果表明,所提模型的纳什效率系数分别平均提高了3.7%和4.9%,验证了GAT-DALSTM径流预报模型的准确性。从水文与应用角度对注意力系数热点图进行分析,验证了模型的可靠性与实用性。所提模型能为提高流域径流量的预测精度与模型透明度提供技术支撑。     

基于图注意力网络与双阶注意力机制的径流预报模型

为了提高流域径流量预报的准确率,考虑数据驱动水文模型缺乏模型透明度与物理可解释性的问题,提出了一种使用图注意力网络与基于长短期记忆网络（LSTM）的双阶注意力机制（GAT-DALSTM）模型来进行径流预报。首先,以流域站点的水文资料为基础,引入图神经网络提取流域站点的拓扑结构并生成特征向量;其次,针对水文时间序列数据的特点,建立了基于双阶注意力机制的径流预报模型对流域径流量进行预测,并通过基于注意力系数热点图的模型评估方法验证所提模型的可靠性与透明度。在屯溪流域数据集上,将所提模型与图卷积神经网络（GCN）和长短期记忆网络（LSTM）在各个预测步长下进行比较,实验结果表明,所提模型的纳什效率系数分别平均提高了3.7%和4.9%,验证了GAT-DALSTM径流预报模型的准确性。从水文与应用角度对注意力系数热点图进行分析,验证了模型的可靠性与实用性。所提模型能为提高流域径流量的预测精度与模型透明度提供技术支撑。     

数据挖掘技术在水库调度中的研究与应用

水文预报对于水库调度、洪水控制、发电、灌溉等工作至关重要。从目前的研究情况看，各种传统的径流预报方法用于中长期径流预报时，预报精度都比较低。本文首先介绍了数据挖掘的基本知识，并将基于神经网络的数据挖掘方法应用于水文预报中，使用boosting回归算法建立数据挖掘模型，进而发现和挖掘水库调度的内在规律和潜在效能。