贝叶斯网络在水利工程中的应用

本文简要介绍了贝叶斯网络的基本概念和算法,通过总结现阶段已有的相关研究成果,分别列举了动态贝叶斯网络在水文预报、土石坝投资风险评估、水利工程成本～进度仿真分析等工程应用实例,论述了贝叶斯网络在水利工程领域的应用方法和有益效果。结果表明:贝叶斯网络在水利工程中的实际应用范围大、效果佳,准确度高,建议采用贝叶斯网络研究水利工程概率相关问题和不确定性问题。     

气候变化情景下黄河天然径流预测研究

1961—2000年黄河天然径流量呈减小趋势,且径流变化与降水量变化过程基本一致。选用IPCC提出的A2、B2两种温室气体排放方案,并采用北京大学在黄河流域未来气候情景研究中的降尺度成果,以黄河流域未来气候情景模式和预测成果为基础,建立黄河水量平衡模型,预测黄河主要断面的未来天然径流量并分析其时空变化。结果表明:黄河径流量2050年将减少29.3亿～61.1亿m3,2100年将减少42.2亿～71.2亿m3;从空间分布来看,上游兰州以上主要产水区的降水量、径流量有较大幅度减小,其他区域产流量有所增加;从径流年内分配来看,冬季、春季略有增加或基本不变,夏季、秋季减少明显。     

突发水污染风险的马尔科夫链贝叶斯网络预测

突发水污染事故诱因众多且不确定,为预测此类不确定性因素进而进行防控,提前做好风险预防具有较大的经济意义。通过研究突发水污染事故风险因素、马尔科夫链和贝叶斯网络方法,根据现场调研获取的指标因素,提出马尔科夫链和贝叶斯网络相结合的突发水污染风险预测新方法,从纵、横两方面预测突发水污染事故发生的概率,弥补仅用马尔科夫链不能预测上层指标的不足,并为突发水污染事故的预防提供参考依据。实例分析结果表明:人为因素、机械设备因素和环境因素诱发黄河流域突发水污染事故的概率分别为52%、29%、12%,人为、机械设备和环境三方面应重点关注的风险因素分别是违规操作、管道破裂和自然灾害。     

基于粗糙集-贝叶斯网络的流域水质评价方法

针对现实流域水质评价中存在不完整和不确定信息这一问题,基于智能互补思想,提出了粗糙集-贝叶斯网络的流域水质评价方法。使用粗糙集理论提取影响流域水质状态的主要因子,得到最小属性约简集以降低建模复杂度;然后构造贝叶斯网络并进行模型训练,获得其网络结构和条件概率表,实现流域水质的概率决策推理;最后对嘉陵江流域重庆段的3个水质监测断面进行实例分析,验证该方法的有效性和准确性。结果表明：该方法可以正确进行流域水质评价推理,相比于其他方法（贝叶斯网络、灰色-贝叶斯网络、粗糙集-朴素贝叶斯）,其具有最高的准确率（>0.97）、精确率（>0.86）、召回率（>0.86）和F1值（>0.86）,为流域水环境管理提供了有效的技术支持。     

基于BP网络模型的大桥水库入库径流预测

大桥水库入库径流预测对其水资源合理利用有着十分重要的实际意义。由于径流过程具有不确定性和随机性的特点,本文利用BP人工神经网络模型,根据大桥水库坝址径流资料,分析了径流变化的基本规律,并对入库径流进行预测。研究结果表明,建立的径流预测模型精度较高,从而为大桥水库工程综合利用及优化管理提供了有效的方法。     

黄河中下游天然年径流变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河陕县水文站531 a天然年径流时间序列,建立了黄河中下游年径流长期变化的BP网络预测模型,并以此模型对2001—2050年黄河中下游天然年径流变化趋势进行了预测分析,结果表明:①中下游天然年径流在未来50 a变化的大趋势是丰水时段比枯水时段略占优势,要经历2001—2020年相对丰水时段、2021—2026年相对枯水时段、2027—2037年相对丰水时段及2038—2050年相对枯水时段;②黄河中下游与上游的天然年径流变化的大趋势基本一致,但中下游出现连续枯水时段的时间较上游长。     

黄河上游天然年径流长期变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河青铜峡水文站278年(1723~2000年)的天然年径流时间序列,建立了黄河上游年径流长期变化的BP网络预测模型,并以此模型对2001~2050年黄河上游天然年径流变化趋势进行预测分析,结论认为:①黄河上游天然年径流在未来50 a变化的大趋势是丰水时段占优势,且黄河干流天然年径流变化要经历3个不同的时段,即2001~2013年以多年平均水平为基准上下波动的时段、2014~2037年相对丰水时段和2038~2050年相对枯水时段;②用神经网络理论建立了黄河天然年径流中长期BP网络预测模型,模型预测分析的未来几十年黄河天然年径流变化的大趋势是可信的。     

基于归一化RBF网络的黄河上游径流预测

根据1976～1994年黄河兰州水文站的径流量数据,得到了年径流量增长的时间序列,在利用RBF神经网络进行仿真后,用1995～1996年的增长量进行了检验,并与BP神经网络的预测结果进行了对比.结果表明,应用RBF神经网络对年径流量进行预测,预测精度更高、效果更好.     

基于多卫星降雨产品和多降雨径流模型的西江流域径流集合模拟

由于水文模拟不确定性的存在,单一模型获得的径流模拟结果难以满足水文精度要求。集合模拟则是减少不确定性,提高模拟精度的有效方法。现有研究多考虑水文模型的结构不确定性,将不同水文模型的径流模拟结果综合起来。但模型输入的不确定性也是水文模拟不确定性的重要来源。因此,基于贝叶斯加权平均(BMA)方法,考虑模型结构和输入的不确定性,设置了3种集合方案,对2种卫星降雨产品(TRMM、CMORPH)输入到3种水文模型(DDRM模型、新安江模型、GR4J模型)得到的径流序列进行集合,对各集合方案的模拟精度和不确定性进行分析。结果发现,不同卫星降雨产品输入到分布式水文模型中所得到的不同模拟序列具有较好的互补性,采用BMA方法对其进行集合模拟可以有效提高模拟精度,减小径流模拟不确定性。     

黄河河川径流耗水量预测分析

在分析黄河流域1950－1999年间不年代 川径流耗水量年限变化特点的基础上，利用指标方法，回归方法和双向差分模型分别预测了2005、2010和2020年水平黄河流域河川径流耗水量，研究结果表明，黄河河川径流耗水量基本呈稳定升高趋势，三种方法预测的结构基本一致，黄河流域三个水平年河川径流耗水量将比1999年分别上升9％、13％和21％。     

黄河径流变化规律的小波分析

以黄河为研究对象,从系统的观点出发,同时考虑时空变化条件,采用不同类型的小波变换 对其上、中、下游的径流变化过程进行了周期性检验、突变点检测和趋势性分析。研究结论表明:黄 河径流在不同的时间尺度所对应的径流丰枯变化是不同的,大尺度的丰枯变化中嵌套着较小尺度下的 丰枯变化,呈现较为复杂的丰枯结构。为此,黄河径流变化具有多层次结构和局部特征,某个周期变 化在某一时段表现明显,但在其他时段表现可能并不明显,周期变化仅在特定的时段内才有意义。因 而,径流时间序列的长度会影响分析结果,随着径流序列的延长,可以分析出径流变化更长的周期特 征。本研究可以为黄河流域水资源开发利用和减灾防灾提供相关科学依据。     

黄河河口生态需水初步研究

黄河入海水量及其流量过程对保障其河口三角洲生态健康具有十分重要的作用。本文分析了黄河三角洲生态系统的结构、组成和功能演替特点，认为该区生态关键期为5～9月；分别分析了黄河渔洼以下三角洲生态系统中的陆域湿地、河流湿地和近海湿地等重要生态单元生境修复与黄河河川径流条件的关系，提出了它们对黄河入海水量及其流量过程的要求；统筹考虑黄河天然径流条件、自然功能用水和社会功能用水的平衡、黄河水资源配置条件等因素，提出了现阶段黄河可向其三角洲生态系统提供的生态用水控制指标，其中，5～6月繁殖关键期的适宜水量约22亿m3、利津断面流量宜大于250m3/s，7～9月应保障量级不低于2500 m3/s的漫滩洪水、平水期流量不低于200～300 m3/s，11～4月流量应不低于75m3/s、并争取达120 m3/s左右。     

黄河流域径流演变归因研究

本文首先分析了黄河流域近43年天然径流量的变化规律,得出了降水、蒸发、土地利用和水利工程调蓄四个主要影响因子的变化规律,利用M-K、聚类分析等多种方法判别了黄河流域及6个集水区天然径流受人类活动影响较小的基准期。根据基于傅抱璞公式的流域尺度水均衡模型区分了降水、蒸发、土地利用和水利工程调蓄四个主要影响因子对于流域天然径流量变化的贡献。结果表明:流域内的天然径流量出现明显的衰减,其中4个主要影响因子中降水改变对于天然径流量的变化贡献最大,土地利用和水利工程调蓄因子的变化对各个集水单元的贡献率因为地区的差异也有很大差异。     

基于LSTM 神经网络模型的灞河流域径流预报研究

径流预报是缓解洪水的一种重要方法。基于1978-2010 年的水文资料,结合长短期记忆神经网络（Long-Short Term Memory,LSTM）,构建了灞河流域径流预测模型,并且评价了模型对同一流域不同特征水文站的差异及不同季度的预测效果差异。结果表明：不同神经元的组合,对LSTM 模型预测效果会产生影响,利用最佳的神经元组合可以更加有效预测径流量变化,大峪河大峪（三）站的最佳组合为第一层神经元128 个,第二层神经元32 个;灞河罗李村（四）站的最佳组合为第一层神经元128 个,第二层神经元8 个;灞河马渡王站的最佳组合为第一层神经元8 个,第二层神经元2 个。不同站点的LSTM 最佳模型都能较为有效的预测三个水文站2006-2010 年的径流量变化,其中大峪河大峪（三）站效果最佳,其余两个站点效果相对较差。LSTM 模型对各个季度的预测效果有差异,各个站点大部分第三季度的均方根误差都较大,而对第一、四季度的径流预测相对较准确。     

气候变化对黄河源区径流过程的影响

本文应用WEPL模型分析了气温和降水变化对黄河源区年、月径流过程的影响。采用唐乃亥水文站1956～2000年的径流观测系列,对 WEP-L模型进行了率定和验证。在模型验证效果较好的墓础上,设定了气温和降水变化的8个情景方案(对历史观测气象数据资料假定气温变化±1、±2℃,降水量变化±10％、±20％),进行了模拟和对比分析。结果表明,年径流量和年内各月径流量对气温变化的响应情况不同。气温增高会引起年径流量减少,每年5～10月径流由于蒸发增大而有较明显的减少,但每年11月至次年4月径流受积雪融雪及冻土入渗     

黄河源区径流变化特征及影响因素研究

近年来,黄河源区水资源状况发生了较大变化,为探究黄河源区径流变化特征及影响因素,基于1961-2018年共58 a的径流和气象资料,采用Mann-Kendall检验和小波分析等方法对其进行了分析。结果表明：黄河源区径流量整体上呈现出不显著减少趋势,递减速率为-0.63×10⁸ m³/a,夏、秋季减少幅度大,冬、春季减少幅度较小;1990年前后径流量均呈现不显著增加趋势,且1990年后增加趋势明显加速,后者增幅是前者的3.09倍;1990年后,降水量和气温递增高值区高度重合,且降水量是影响径流量变化的最重要因素。说明暖湿化加速和空间迁移过程导致了黄河源区冰川的加速消融,这也是1990年后径流快速增加的主要原因。     

Human impacts on runoff regime of middle and lower Yellow River

In this study, the 54-year (1950 to 2003) monthly runoff series from February, April,August, and November, as well as the annual runoff series, measured at both Huayuankou and Lijin hydrological stations were chosen as representative data, and the continuous wavelet transform (CWT) was applied to analyze the impacts of human activities on the runoff regime of the middle and lower Yellow River. A point of change in 1970 was first determined, and the observed series before 1970 were considered natural runoff while those after 1970 were restored according to linear trends. Then, the CWT was applied to both the observed and restored runoff series to reveal their variations at multi-temporal scales, including the five temporal ranges of 1-4,6-8, 9-12, 16-22, and 22-30 years, and the trend at the temporal scale of 54 years. These analysis results are compared and discussed in detail. In conclusion, because of the impacts of human activities, there have been significant changes in the runoff regime in the middle and lower Yellow River since 1970. The decaying tendency of annual runoff has become more pronounced, and the inner-annual distribution of runoff has changed, but human activities have had little impact on the periodic characteristics of runoff.     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

黄河流域水沙变化趋势多模型预测及其集合评估

黄河水沙变化情势深刻影响着黄河流域水沙调控工程布局、流域内外水资源配置和跨流域调水工程建设等黄河保护与治理开发重大问题的决策。但受研究时段、方法及其边界条件等影响,黄河水沙变化预测成果差异大,难形成共识。本研究基于水沙变化归因和预测结果的不确定性解析,构建了多模型预测成果集合评估技术,预测了黄河流域未来50 a水沙量。结果表明:既有流域水沙变化归因与预测成果差异大,原因在于不同方法因数据输入、变量构成及精度评价方法差异带来的不确定性;提出了基于输入-结构-输出的模型适用性判别准则和评价技术,并基于标准化的数据输入,从数据需求、物理基础、应用效率、输出尺度和预测精度等五个维度,集合评价了现有水沙变化预测模型的适用性;构建了流域水沙变化多模型集合评价-多结果加权融合-BMA集合预测的集合评估技术,根据9类模型预测成果,集合预测了黄河流域未来50 a年径流量为240亿m³,年均输沙量为2.5亿t。