基于洪水分级的两江电站洪水预报方案研究

本文以两江电站为研究对象,针对传统洪水预报方案中没有考虑洪水分级的问题,将洪水分为大、中、小3个等级,编制了基于洪水分级的洪水预报方案。方案中,以泰森多边形对流域进行分块,预报模型采用三水源新安江模型和实时校证算法;采用人工经验与粒子群算法结合的方法,利用2000—2015年的资料,率定了不同类型洪水的模型参数。采用2016年洪水资料对预报模型和实时校正算法进行了验证。结果表明,本文洪水预报方案优于洪水不分级方案,率定出的模型参数适合不同等级的洪水,采用的实时校正算法可以提高预报精度。     

基于神经网络的洪水预报方法研究

应用BP神经网络进行洪水预报,既充分利用了历史水文资料,又避开水文要素之间没有具体的函数关系这一难题,为洪水预报提供了一种新的方法,把专家的经验与计算机技术成功地结合了起来,对洪水预报起到一定的推动作用。     

永定河泛区洪水预报与分级运用口门洪水调度的研究

本文采用河道非线性汇流方法,并在汇流过程中考虑下渗的影响,运用分级运用口门调度方案,对永定河泛区的洪水进行预报和调度。通过验证,取得较满意效果,说明此方法具有一定的实用性,可供防汛指挥调度参考。     

实时洪水预报的反向传播模型研究

在降雨径流模型中，应用二水源蓄满产流模型与多输入、单输出的约束线性系统模型相结合制作预报方案。在实时校正方案中，对人工神经网络系统的反向传播模型的结构和算式作了一定的改进，使其与汇流系统有机地衔接，通过反馈系统的输出误差用有交物修改网络的权系数，以此来改进模型的计算效果，形成一个直观、简洁的校正算式。与传统校正相比，具有计算过程平稳、迭代易于收敛等优点，应用渠江巴河流域实际洪水资料作验证，取得了较     

突发洪水预报模型研究

本文总结了突发洪水所具有的一些特性，指出影响干旱半干旱地区产流计算和预报精度的主要因素是雨强，而流域的前期土壤湿润条件则居次要地位。为此，本文提出了以雨强为参数的Ｈｏｒｔｏｎ型降雨损失率公式，用于进行产流计算，利用经验单位线预报突发洪水的过程，经在尚义小流域应用，效果较好。     

猫街水文站洪水预报模型研究

针对猫街水文站采用物理模型进行洪水预报时过程复杂、适用性和快捷性较差等问题,笔者选取BP神经网络模型作为预报模型进行洪水预报研究,选取2013—2018年猫街水文站共计6年主汛期逐日水文观测资料作为训练样本,2019—2021年共3年主汛期资料作为测试样本。研究结果表明,在现有数据条件下,除部分特殊年份外,采用BP神经网络模型进行洪水预报的精度较高,整体预报精度较好,对实际预报作业有一定的指导意义。同时,BP神经网络预报模型具有误差修正功能,随着模型学习训练期的延长、预报次数增加,预报精度还会相应提高,未来可运用到实际预报作业当中。     

河道洪水概率预报方法研究

河道洪水预报对防洪减灾和水资源的综合利用有着重要的现实意义。考虑到水文预报不确定性的水文风险,为了更科学地对河道洪水进行预测,提出将贝叶斯方法的思路引入到河道洪水的概率预报中,计算预报流量的概率密度分布和置信区间,获得河道洪水的概率预报结果,为防洪决策提供更丰富的信息。     

苏家河口水电站洪水实时预报方法研究

本文研究了槟榔江流域苏家河口坝址流量的多种实时预报方法,包括递推最小二乘法、正交投影法、遗忘因子法、协方差重调遗忘因子法以及主元回归方法,并根据流量级在线调整预见期。文中的预报方法完全基于数据驱动,预报精度高,成本低,实用性强,具有潜在的经济价值。     

苏家河口水电站洪水实时预报方法研究

研究了槟榔江流域苏家河口坝址洪水的多种实时预报方法,包括递推最小二乘法、正交投影法、遗忘因子法、协方差重调遗忘因子法以及主元回归方法,并根据流量级在线调整预见期.以上预报方法完全基于数据驱动,预报精度高.成本低,实用性强.具有潜在的经济价值.     

基于Transformer的智能洪水预报模型及其应用研究

万安水库是赣江流域以发电为主的大型控制型水库,其洪水预报准确性将影响赣江流域的防洪以及发电调度决策。基于Transformer网络建立入库洪水预报模型,对万安流域不同区域分区设计三种预报方案,经实际洪水预测结果表明,输入降雨和径流数据越完整,Transformer模型可以较好模拟入库洪水过程,达到较好的水文预报准确度,是大型流域洪水实时预报的有效工具。     

实时洪水预报中基于岭估计的AR修正模型研究

为提高实时洪水预报精度,经常将水文模型与误差修正模型相结合,AR模型因其结构简单广泛应用于实时洪水预报误差修正。然而,实际应用显示,AR模型时常出现修正结果不稳定现象,表现为流量修正幅度过大,甚至出现“震荡”现象,严重影响修正效果。鉴于此,本文从矩阵特征值角度解释了AR模型出现不稳定现象的原因,并引入岭估计方法选择性利用流量信息更新自回归系数,使其更满足真实流量的涨落过程,增强该模型的稳健性。将新方法应用于蔺河口流域,结果显示岭估计方法显著提高了AR模型的稳健性,从而改善了模型修正效果,进一步提高了洪水预报精度。     

水文遥测数据智能纠错及插补技术在洪水预报中的应用研究

针对流域洪水预报和水库调度中雨量水位站点可能因通信和设备故障引起雨量和水位数据错误,而影响洪水预报精度的问题,通过分析水文遥测系统雨水情信息错误的原因,研究水文遥测系统雨水情数据的提取、合理性检验、错误识别方法、雨量插补、数据的智能化纠错处理等技术.在数据提取时,运用符合实际的错误判别方法、纠错技术和科学的数学插值方法来提高数据的准确性和洪水预报的精度.     

人工智能在洪水预报中的应用

洪水预报对防洪减灾,拦洪储存水资源等具有重要意义。对用遗传算法（GA）来改进神经网络的算法进行了分析,建立了用GA动态寻求权重的前馈网络模型（Ⅰ）和用GA优化初始权重的前馈网络模型（简称模型Ⅱ）。借助于Matlab中的神经网络包和遗传算法包,编制了改进模型的计算机程序,对湖北省黄龙滩水库14场洪峰和洪水总量进行了模拟,用另外5场洪水检验了改进的模型,并与传统的前馈神经网络模型进行了比较。结果表明：用模型Ⅰ对洪峰流量的检验效果明显优于模型Ⅱ和传统的前馈神经网络模型;模型Ⅱ对中低流量及洪水总量的检验效果相对较好。因此,本次改进的模型可以用于洪水预报：     

基于混合回归模型的沿海平原河网洪水位预报研究

本文针对沿海平原河网水文情势复杂、洪水位预报困难的特点,以温瑞平原为研究对象构建混合回归模型,采取物理成因与数理统计相结合的思路,探究适用于沿海平原地区的洪水位预报新途径.利用产汇流模型计算求得各水文分区洪水过程,形成预报因子库,并在此基础上构建混合回归模型,通过耦合多元逐步回归模型与门限回归模型进行洪水位预报研究.研...     

贯入法及冲击筛分法检测砌体抹灰 砂浆强度研究

为了解现有的砌筑砂浆强度检测方法的适应性,进行了试验研究。试验中主要采用了贯入 法、冲击筛分法检测普通粘土砖砌体28 d抹灰砂浆的强度,并辅以点荷法,立方体抗压强度予以对 比分析。结果表明,冲击筛分法可以用作普通粘土砖砌体28 d抹灰砂浆强度的检测,而贯入法需要 进一步研究,以获得准确的抹灰砂浆强度回归曲线,方可用于现场检测。     

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。     

A rapid forecasting method for mountain flood disaster based on machine learning algorithmsEI北大核心CSCD

基于高精度水动力模型与机器学习技术,运用极限随机树(ERT)及KNN算法,构建了高分辨率山洪灾害快速预报模型。利用确定系数、平均绝对误差和均方根误差3种指标评估模型的整体可靠性,同时,截取流域出口断面流量验证模型的预报性能。结果表明:所建模型预报结果与水动力模型模拟结果淹没范围基本一致,流域淹没范围平均相对误差低于5%,模型整体稳定可靠;流域出口断面流量平均相对误差低于10%,断面平均水深、流速平均相对误差低于5%,模型预报性能良好;模型可在10s内完成最大淹没情况计算并输出淹没范围图,能为紧急决策提供足够的前置时间,协助决策者更好地采取应对措施。     

人工神经网络峰值识别理论及其在洪水预报中的应用

本文在总结大量洪水预报实践经验的基础上，提出了一种峰值识别理论及相应的改进BP算法(Error Back Propagation with Peak Recognizer,简称BPPR).该理论及算法在修改网络权重时，偏重大值误差，即大值误差对权重的修改起主要作用.这种BPPR算法使人工神经网络洪水预报模型对洪峰的预报精度显著提高，从而保证了洪峰预报的可靠性.     

A real-time flood forecasting model based on maximum-entropy spectral analysis: II. Application

The MESA-based model, developed in the first paper, for real-time flood forecasting was verified on five watersheds from different regions of the world. The sampling time interval and forecast lead time varied from several minutes to one day. The model was found to be superior to a state-space model for all events where it was difficult to obtain prior information about model parameters. The mathematical form of the model was found to be similar to a bivariate autoregressive (AR) model, and under certain conditions, these two models became equivalent.Notation A _k parameter matrix of the bivariate AR model - B backshift operator in time series analysis - eT forecast error (vector) at timet = T - _t uncorrelated random series (white noise) - F _k forward extension matrix of the entropy model forkth lag - I identity matrix - m order of the entropy model - N number of observations - P order of the AR model - Q _p peak of the direct runoff hydrograph - R correlation matrix - t _p time to peak of the direct runoff hydrograph - ₁ coefficient of variation - ₂ ratio of absolute error to the mean - forecasted runoff - x _i observed runoff - mean of the observed runoff - X ^–1 inverse ofX matrix - X* transpose of theX matrix Abbreviations AIC Akaike information criterion - AR autoregressive (model) - AR(p) autoregressive process of thepth order - ARIMA autoregressive integrated moving average (model) - acf autocorrelation function - ccf cross-correlation function - FLT forecast lead time - MESA maximum entropy spectral analysis - MSE mean square error - STI sampling time interval