基于灰色网络的流域年均径流量模型研究

利用改进后的灰色模型,对某流域年均径流量进行了相关影响因子的建模分析,将预测值与实测值作为神经网络的训练样本,对网络进行训练并分别进行识别,同时进行误差分析对比。结果表明,灰色神经网络可以用于流域年均径流预测分析,精度较高,所得结果与观测数据基本相符。     

流域年均含沙量的人工神经网络模型

本文引入人工神经网络BP网络模型对流域产沙进行了定量研究。针对小流域的土壤、地质、地貌在一定的时间范围内具有相当稳定的特性，选取采伐面积、采伐量、降雨量和年均径流量这四个代表植被、气候的主要因子对流域年均含沙量进行了建模预测。建模结果表明采伐面积、采伐量对流域产沙具有较强的延迟效应，得出的BP网络模型不仅拟合精度高，而且预测效果好。这为泥沙方面的定量研究提供了一条新的途径。     

跨流域连通水库径流调节方法初探

践流域连通水库,系指用连通洞连接了的不同流域上的两个并联水库。由于两个水库是跨流域连通的,连通洞往往较长,因此,从经济上考虑洞径也不能太大,这就使得连通水库各库的蓄水过程中存在着水力联系的同时,还受各库来水、库容等条件的影响。因此,连通水库径流调节方法较单一水库及梯级水库都要复杂。在江西省崇义县思顺一级电站(具有连通水库)的水能设计中,笔者通过仔细、认真地分析了连通水库     

红山水库坝址径流分析

1　流域概况　　红山水库位于赤峰市境内,地处辽河的主要支流老哈河中游,地理坐标为北纬42.8°,东经119.7°,控制流域面积24486km2,占老哈河流域面积的74%。老哈河发源于河北省的七老图山,地势呈南高北低,是起伏的黄土丘陵地带,河系呈扇形分布。流域内植被稀少,暴雨集中在夏秋两季,暴雨中心多出现在中上游。红山水库以上流域多年平均降雨407.3mm,属于干旱地区。平均年坝址径流量为7.385亿m3,其中67.8%集中在汛期,并主要集中在7,8月。水库有3个入库流量站分别是兴隆坡站、干沟子站、沟门子站。水库主要靠后汛期蓄水兴利,防洪主要集中在主汛期…     

基于循环神经网络模型的延河流域径流预报研究

为了缓解延河流域的地质洪涝灾害,利用循环神经网络模型,结合安塞站1981-2015年的逐月径流量数据,建立延河流域的径流量预测模型。结果表明,在延河安塞水文站,循环神经网络模型具有一定的适用性,其迭代达175次时,具有最佳的效果。并用以预测2005-2015年逐月径流量,有较好的效果,均方根误差为180m3/s,实测值与预测值的相关系数可达0.77。该模型的建立可为该地区的径流预测及灾害预报提供一定的参考。     

年均径流预测的遗传神经网络模型研究

为了进一步提高BP网络模型对径流预测的精度,采用遗传算法优化了BP网络初始的权值和阈值。实例研究结果表明:该方法克服了传统BP网络极易陷入局部极小值点等缺点,提出的遗传神经网络预测模型能够提高预测精度。     

岗南水库以上流域降雨径流特性分析

滹沱河为海河流域子牙河水系的主要支流,发源于山西省繁峙县五台山北麓,穿越太行山进入平山县境,东流至献县,全长587km。岗南水库位于滹沱河中上游干流上,坝址以上河长352km,控制流域面积15900km^2,占滹沱河总流域面积的58％。岗南以上流域基本为山区,其中山西境内面积占岗南以上面积的70％,其余在河北省平山县境内。     

气候变化对流域径流影响的水量平衡模型

研制了与计算潜在蒸散发的Ｐｒｉｅｓｔｌｅｙ－Ｔａｙｌｏｒ方法相结合的水量平衡模型，有么模拟流域对潜在气候变化的响应。该系统使用可视Ｂａｓｉｃ语言在Ｅｘｃｅｌ５．０系统环境下设计而成。模型使用简便，并使用ＩＩＡＳＡ的月平均水文数据库，介绍了模型环境及２个研究事例。     

灰色灾变预报模型对汉江安康站枯水年径流的长期预测

(一)前言我国近代的水文气象长期预报是由涂长望于1935年创始的。他根据瓦克的理论与方法,研究冷暖和旱涝同世界各地天气,特别同三大涛动的关系,提出了预报方程。解放后,中长期预报有了长足的发展,预报方法主要有:(1)天气学方法,研究大范围环流的持续异常造成某些地区洪涝与干旱的规律;(2)数理统计方法,根据大量历史资料应用数理统计方法寻找水文要素历史变化的统计规律和关系;(3)宇宙地球物理方法,分析宇宙地球物理因素的长期变化引起水文要素变化的规律,研究主要集中在太阳活动、海洋状况(海水表面     

用小波神经网络耦合模型预测流域年均产沙量

引入小波神经网络耦合模型对流域年均产沙量进行了定量研究。由于流域的地质、地貌、土壤在一定时间尺度内具有相对稳定的特性,选出年降雨量、年均气温、年径流量、大雨降雨量、暴雨降雨量、蒸发量、日照时数和汛期降雨量等8个要素作为模型的气候水文输入因子,而以耕地面积、林地面积、水库库容、修建公路、水土保持面积、裸地面积、年采矿量及年末总人口等8个要素作为模型的人类活动输入因子,对流域年均产沙量进行了定量建模预测。结果表明:小波神经网络耦合模型不仅拟合精度高,而且预测效果好,为流域产沙的定量研究提供了新的途径。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

快速BP算法在年径流预测研究中的应用

中长期径流预测是水资源研究领域的一项重要内容,本文针对汾河上游兰村站的径流量进行预测。建立三层BP神经网络模型,采用Levenberg-Marquardt(LM)法对模型进行训练。结果表明:模拟和预测的结果精度较高,满足精度要求。LM-BP神经网络模型在汾河上游兰村站的径流预测中是可行的,研究结果可为区域水资源规划管理提供科学依据。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

柴河水库入库径流变化特征分析

本文以柴河水库入库径流量为研究对象,对柴河水库1952-2007年的径流演变规律进行了全面分析。得出径流量的年际变化比较剧烈,丰枯年间径流量相差较大。易发生少水事件,一定程度上也反映出柴河水库径流量易发生连枯现象。年径流量总体上有减少的趋势,特别是1996年以后,径流量明显减少,显现枯水年增多的趋势。入库径流量的年内分布具有明显的夏季丰水、冬季枯水、春秋过渡的季节性变化。     

基于BP神经网络模型的水库塌岸预测研究

考虑水库塌岸预测的非线性,构建基于BP神经网络模型的水库塌岸非线性预测模型,以漳河流域内岳城水库为研究对象,结合野外实地勘察数据,对岳城水库塌岸进行预测。研究结果表明:所建水库塌岸非线性预测模型预测结果与实际情况较为吻合,预测的左右岸水库塌岸和实地调查塌岸相对误差分别为1.92%和2.15%,岳城水库左右岸塌岸宽度预测平均值分别为31.8m和36.9m;水库下游预测塌岸速度小于1m/a,中上游塌岸速度大于1m/a,下游库岸态势较为稳定,中上游塌岸趋势将加剧。研究成果对于水库塌岸非线性预测及岳城水库塌岸防治和岸坡加固设计提供参考价值。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于EMD的密云水库年径流量多时间尺度分析

针对小波变换的不足之处,运用EMD方法对密云水库1956—2000年还原后的入库天然年径流量时序进行多时间尺度分析,发现其变化存在准2～4a、准5～6a、准8～9a、准11a和准17～19a的波动周期,并分析了各分量的趋势变化,对密云水库运行管理工作的科学化具有重要借鉴意义。     

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。