一、使用人工神经网络预报河道流量(论文文献综述)
郑海洋[1](2021)在《嫩江-库漠屯站以上流域的洪水预报研究》文中进行了进一步梳理洪水灾害是自然界中最严重的灾害之一,每年都会不同程度地影响人们生产生活,给我国经济社会发展带来损失。洪水预报作为重要的非工程措施,在防洪减灾中发挥着重要作用。虽然已经有对嫩江流域的洪水预报研究,但针对嫩江上游的研究仍然有限,另外近些年,上游新增了一些测站,因此本文以库漠屯以上流域为研究区域,对河道进行洪水演算,又从延长预见期的角度,分别使用BP神经网络和新安江模型进行洪水预报,主要的研究内容和成果如下:(1)分析库漠屯以上流域的自然地理、水文条件,统计流域历史洪水特征,结合流域内水系和测站分布情况,拟采用马斯京根法、BP神经网络、新安江模型对库漠屯以上流域进行洪水预报研究。(2)单独针对石灰窑-古里-库漠屯区间,采用先演后合的马斯京根法对石灰窑、古里站进行流量演算。设置了连续演算和按场次洪水演算两种模式,然后又将场次洪水分为小、中、大三类,分别率定参数和流量演算;从洪量相对误差、洪峰相对误差、峰现时间差、确定性系数四个方面评价演算结果,分析不合格场次洪水的原因;最后将分类和不分类情况进行对比,得到结论:洪水分类后可以有效提高演算精度,尤其是大洪水,但马斯京根法并不能解决峰现时间演算不准确的问题。(3)构建一个三层BP神经网络模型,利用石灰窑、古里上一时段的流量,预报库漠屯下一时段的流量,设置了洪水分类和不分类两种情况,又在洪水分类的情况下细分出不加入区间降雨和加区间降雨两种模式,最后对每种情况的模拟结果分析,得出结论:不分类情况下,大部分年份洪峰模拟偏低,全部合格率为53.8%;洪水分类和加入降雨后,合格年份明显增多,洪峰、峰现时间差、确定性系数都有不同程度改善。(4)用新安江模型对库漠屯以上流域进行模拟,并使用遗传算法分别进行产流、汇流参数率定,最终对参数和不合格场次洪水进行分析,其中产流合格率为94.5%,汇流合格率为77.8%,得出在库漠屯以上流域使用新安江模型进行洪水预报是可行,具有一定参考意义。
何欣欣[2](2020)在《径流预报的过程化机制研究与系统集成实现》文中指出径流预报是水文水资源学科的基础性难题。受气候、自然地理及人类活动等诸多因素的综合影响,降雨、蒸发、下垫面条件等不确定性增大,径流序列的一致性问题突出,复杂性、非线性、动态性等让传统的预报模型方法受到了挑战,迫切需要适应性强的预报业务化创新。针对径流预报过程中不确定性问题及动态变化因素,基于过程,强化机制,研究过程化机制下的预报模式更为关键。立足于响应动态变化特征,聚焦滚动反馈、多尺度嵌套、区间化、适应性机制,从径流序列特性分析到预报模型方法与机制的融合及集成应用,探究并设计过程化的动态机制,并借助综合集成服务平台实现面向主题、面向过程化的径流动态预报模式。围绕径流预报过程化动态机制,以应用为导向,本文开展了以下几项工作:(1)分析了研究流域径流序列的变化特性,奠定了径流预报的研究基础。针对渭河流域径流演变态势,在时间尺度和空间尺度上对河道径流的变化特征进行了多维度分析,通过校对、“三性”审查和插补延长确保了所整编径流数据的准确性和完整性;采用P-Ⅲ型曲线计算拟合,确定了年径流量的优化适线参数;从径流量年内变化、年际变化、代际变化、周期识别和变异诊断等多方面分析了渭河流域的径流时间序列特性。(2)提出了径流预报的过程化机制,强化了在预报业务化过程中用机制指导并开展径流预报的新模式。针对径流时间序列的复杂非线性、高度不规则性和多尺度变异性,立足于“预报、决策、实施,再预报、再决策、再实施”的径流预报动态化的过程,在深入分析环境、需求、条件等变化因素对径流预报影响机理的基础上,基于动态系统辨识理论、反馈控制原理和滚动优化原理,面向动态变化,在径流预报过程中,聚焦滚动反馈、多尺度嵌套、区间化适应性,通过机制适应径流预报过程中的动态变化,设计了涵盖滚动反馈、多尺度嵌套、区间化适应等的机制集成,以及预报过程化机制实现的可行性。(3)开展了基于综合集成服务平台的径流预报过程化机制的系统实现。依托平台,以组件技术和知识图技术为支撑,将径流预报模型方法,按照不同时间尺度、不同适用条件进行了归类粒度化、采用java编程组件化、并封装成Web服务组件发布到了径流预报模型组件库中,在平台上依据知识图逻辑定制、添加组件,完成了面向主题的应用组织及运行,针对主题搭建径流预报过程化机制的业务应用系统。(4)实现了径流预报的过程化机制与分解集成模型方法的融合。以分解集成模型方法为对象,聚焦了预报过程中模型方法与机制的对接,以及对动态变化的适应,立足于径流预报的过程化作业,在过程中充分考虑各类因素的动态变化,用过程化机制引导分解集成模型方法的适时应用,同时把模型方法也融合进入过程化机制,实例化说明了适应性强的径流预报过程化机制模式。(5)实例验证了过程化机制下的径流预报模型方法的预报过程及成效。以主题为导向,围绕主题,在过程化机制中,先采用数据预处理技术与人工智能模型相结合,再分别建立了基于VMD-DNN(变分模态分解-深度神经网络)的日径流预报模型和基于VMD-GBRT(变分模态分解-梯度渐进回归树)的月径流预报模型,最后以渭河为例,在尺度上融合并分析了预报结果。通过与传统水文模型方法的比较,说明了预报指标的在线评价的快速及时效果、以及定量和定性分析在预报过程中的作用。(6)实现了基于过程化机制的径流预报业务的集成应用。针对径流预报业务的全过程,以问题为导向,在过程中发现问题,并提出解决问题的方案,通过数据集成、信息集成、组件集成、机制集成、应用集成,围绕滚动反馈机制、多尺度嵌套机制、区间化适应性机制,针对动态变化,开展了基于分解集成人工智能模型的径流预报、不同时间尺度的径流预报、适应性径流预报的业务集成应用,基于系统自身的动态性,在线分析预报过程中发生的各种动态变化,通过不断反馈与调整,由动态性产生适应性,由适应性产生合理性,强化了对实际径流预报工作的决策支持。
曾鹏[3](2020)在《机器学习技术在城市洪涝快速预报中的应用研究》文中指出随着全球变暖加剧和城镇化建设加快,城市局部气候条件和水文循环效应发生了显着变化,导致洪涝灾害及潜在风险损失都在不断增大。近些年来,我国城市洪涝灾害频发,对人民群众的生命财产安全和社会经济的发展产生了严重的影响。城市雨洪模型和机器学习方法常被用于进行洪涝灾害的预测,前者基于物理机制的水文原理能实现对洪涝灾害的精细化模拟但时效性不足,后者基于数据驱动方法能实现对部分洪涝特征的快速预报,目前一种经济有效的方法是结合两种模型各自的优势进行快速水文预报。本文在前人的研究基础上,总结了基于IFMSUrban软件的模型原理、参数选取和建模过程,阐述了用于回归预测、降维分析和聚类分析的机器学习方法原理,研发了可对河道断面洪峰流量和二维地表积水进行快速预报的组合模型,并对组合模型的参数选择和预报精度进行了评估。论文主要内容如下:(1)阐述了 IFMSUrban模型的地表产流、坡面及管渠汇流、二维地表洪水演进及一二维耦合原理,并对模型参数选择和建模过程进行了总结。基于IFMS Urban软件构建了成都市一二维耦合模型,采用两场历史降雨数据对模型参数进行了率定验证,表明耦合模型拥有较好的模拟精度。(2)提出了一种用于长序列降雨数据的场次划分方法。基于该方法从成都市2016~2019年的实测降雨数据中提取了降雨历时为3h、6h和12h的场次数分别为73场、40场及75场。采用成都市一二维耦合模型对这些降雨场次进行了模拟计算,从模拟结果提取了 45个雨量站的总降雨量数据、指定断面的峰值流量数据、网格的逐小时淹没水深数据以及网格的平均积水深度,将这些数据整合为数据集并为后续机器学习的训练提供数据支撑。(3)构建了岭回归模型(IFMS-Ridge)、LASSO 回归模型(IFMS-LASSO)、ARD Regression回归模型(IFMS-ARD)及贝叶斯岭回归模型(IFMS-ByR),用于预测单断面的峰值流量,采用确定系数(R2值)进行模型性能评估,显示4种回归方法都有较高的预测精度,其中IFMS-LASSO模型的精度最好。对比4种模型在不同断面上的预测结果显示,当断面上游有侧向入流时,模型的预测精度会有所下降。同时,构建了可进行多断面预测的全连接神经网络(IFMS-FCNN),对网络结构和参数选择进行了对比分析,确定了模型最优的网络结构和参数分别为:网络结构为45-500-200-2,Dropout为0.3,学习率为0.005,激活函数为线性整流函数(ReLU),优化器为Adam,误差函数为平均绝对误差损失函数(MAE)。分析IFMS-LASSO模型和IFMS-FCNN模型对5场降雨事件的模拟结果,显示两种模型都拥有较好的预测性能,但上游有侧向入流的断面2的平均误差比没有侧向入流的断面1高。(4)选择主成分分析法(PCA)、K-Means及LASSO回归方法构建了用于预测地表积水深度和淹没范围的组合机器学习模型。分析了 PCA方法选取不同主成分数量时数据的可解释性,结果表明当主成分超过40个后解释性方差不再显着增大,依此确定了本文的解释性方差为95%,主成分数为38。参考误差平方和(SSE)和轮廓系数确定了 K-Mean聚类的群集数,选择群集数为4、8和13进行聚类效果。构建了降雨信息与平均淹没深度(ARID)之间的LASSO回归模型,并通过ARID实现了与聚类模型的联系,构建了组合模型。基于组合模型对一场降雨事件进行地表积水深度的预测,结果表明当群集数为13时,模型的R2值为0.83,预测效果最好。
丁公博[4](2020)在《太湖流域水量调度会商决策支持系统设计与实现》文中进行了进一步梳理为支撑太湖流域水利工程的调度决策,在大数据、人工智能等现代信息技术的基础上,开展了基于人工智能和统计相关方法的太湖水位预测技术研究,提出了基于相似分析的调度方案生成方法,进而基于事件驱动的设计理念,完成了太湖流域智能调度会商决策支持系统的设计与实现。目前,系统已正式运行于太湖流域管理局,为太湖流域水利工程的调度决策提供智慧化的信息化支撑。首先,在太湖水位预测方面,针对河网地区常用的基于水动力学计算的预测方法预测精度提升的瓶颈问题,考虑采用基于人工智能和统计相关方法进行未来太湖水位的预测。为掌握太湖流域未来3日水情变化趋势,在分析太湖流域长系列水情资料的基础上,运用相关系数法筛选了对未来太湖水位影响最大的关键因子,并基于多元线性回归和BP神经网络算法分别构建了太湖流域未来17日的水位预测预报模型。实例研究表明,所构建模型模拟结果较好,能够满足太湖流域调度会商决策支撑的实际工程需求。其次,在调度决策支撑方面,从挖掘历史相似调度方案入手,开展了历史相似调度过程分析的研究。依据传统的依靠经验寻找相似方案的思维模式,应用基于欧式距离、BORDA计数法以及XGboost机器学习算法构建了智能化相似分析模型,寻找过去与当前情形最相似的方案。结果表明,该模型运算速度快、效果好,能够实际支撑太湖流域水利工程的调度决策。最后,为将前述预测预报与调度决策结论以更加智能化的方式推送给调度决策者,设计了基于事件驱动的调度决策支持系统,系统能够根据太湖水位的预测情况,自动判断当前的调度情景,并根据判断的情景驱动相似分析模型,最后将分析得到的结论以大屏可视化的方式呈现给决策者,以期为决策者提供智慧化的调度决策支持。
任娟慧[5](2019)在《黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究》文中提出我国是世界上黄土分布最广的地区,黄土面积占国土总面积的近7%。黄土丘陵是黄土地区的主要地貌形态,地形切割强烈、沟壑纵横、坡面陡峭是其主要地形特点。黄土区降雨多集中在7-9月份,降雨强度大,导致该区中小流域洪水具有产流快、洪峰高、历时短、流速急和破坏力强等特点。黄土区下垫面易受自然和人类活动的影响,暴雨和局部强降雨等引起的中小流域洪水预报一直是自然灾害等相关领域的重要研究课题。论文采用混合智能计算方法,应用烟花算法(Fireworks Algorithm-FWA)和K最近邻(K Nearest Neighbor-KNN)方法,对极限学习机(Extreme Learning Machine-ELM)模型进行改进,建立下垫面变化条件下黄土区中小流域的数据驱动洪水预报模型并进行适用性研究。不仅对洪水预报方法具有重要的理论意义,而且对黄土区中小流域的防洪减灾具有较高的应用价值。本文以晋西黄土区圪洞流域为研究区,通过分析流域下垫面特征,将流域下垫面变化划分为三个时期,分析计算了不同时期流域水文特征和洪水过程中的降雨损失;提出了KNN-FWA-ELM洪水预报混合模型,并将其应用于圪洞流域洪水预报中;通过对比KNN-FWA-ELM模型与HEC-HMS模型在不同下垫面条件、不同洪水特征下场次洪水的模拟结果,分析KNN-FWA-ELM模型在王家沟试验小区典型场次洪水预报中的应用效果,评价了KNN-FWA-ELM模型在黄土区典型中小流域洪水预报中的适用性。取得的主要成果如下:(1)流域水文特征分析。在1964-2012年期间,流域年降水量下降不显着,但年径流深呈明显下降趋势。年径流系数与土地利用变化的多元线性关系表明,黄土区增加林地面积可有效拦蓄径流,减少山洪灾害的发生。通过对比分析不同时期洪水演变特征,发现修建梯田、植树造林等水保措施可有效拦截降水、衰减洪峰流量和洪量,并延长滞时。相同级别雨量及雨强下,洪量和洪峰流量的衰减幅度分别为9.32%-92.90%和4.61%-80.22%,滞时延长了0.58-1.38h。流域降雨损失主要受林地面积占比和地形坡度的影响,降雨损失随着林地面积占比的增加和地形坡度的减小而增加,且林地面积占比对降雨损失的影响大于地形坡度。从1964年到2012年,在相同量级降雨条件下,随着林地面积占比的增加,降雨损失占比与林地面积占比的相关系数由0.6397上升至0.8413。(2)KNN-FWA-ELM洪水预报模型的构建。针对黄土区特殊的地形、微地貌和植被等下垫面变化条件,对ELM模型在黄土区典型中小流域洪水预报中的优缺点进行分析。为了实现模型参数优化和洪水连续预报,以MATLABR2016b为平台自行编程,运用烟花算法和K最近邻方法对ELM模型进行了改进,提出并构建了一种适用于黄土区中小流域洪水预报的数据驱动混合模型(KNN-FWA-ELM),并在模型的输入与输出中考虑了不同时期流域下垫面特征的变化。(3)KNN-FWA-ELM洪水预报模型的应用及评价。将KNN-FWA-ELM模型和ELM模型应用于圪洞流域,对不同时期、不同等级的场次洪水进行模拟预报,依据洪峰流量误差、峰现时差、纳什系数、相关系数和均方根误差五个指标,分别对两个模型的场次洪水模拟结果进行了分析评价,结果表明KNN-FWA-ELM模型的模拟效果更优、模拟精度更高。(4)KNN-FWA-ELM洪水预报模型的适用性分析。为了进一步探讨KNN-FWA-ELM模型在黄土区中小流域洪水模拟预报中的适用性,依据场次洪水模拟合格率、洪峰流量误差、峰现时差、纳什系数、相关系数和均方根误差六项指标,对比分析了KNN-FWA-ELM模型与HEC-HMS模型在圪洞流域所有场次洪水及不同时期、不同洪水等级下场次洪水的模拟结果,同时依据均方根误差和平均绝对百分比误差,对KNN-FWA-ELM模型与HEC-HMS模型模拟的洪峰流量、洪量和洪峰滞时三个洪水特征值进行了比较,并将KNN-FWA-ELM模型应用于王家沟试验小区场次洪水模拟中。结果表明:KNN-FWA-ELM模型对圪洞流域和王家沟试验小区场次洪水模拟整体效果较好,且模型在圪洞流域的模拟效果优于王家沟试验小区。从不同时期场次洪水来看,KNN-FWA-ELM模型更适用于快速起峰且洪水过程持续时间相对较长的洪水、多峰之间间隔时间相对长或第一个峰为主峰的洪水、洪水过程不规则且持续时间长的洪水;对不同等级场次洪水,KNN-FWA-ELM模型对大洪水的模拟效果更优;从洪峰流量、洪量和洪峰滞时三个洪水特征值方面考虑,KNN-FWA-ELM模型对洪峰滞时的模拟效果更优。
卢程伟[6](2019)在《流域水库群蓄滞洪区综合防洪调度研究与应用》文中进行了进一步梳理洪水作为全世界最严重的自然灾害之一,其危害影响范围极大,容易造成极高的洪灾损失。同样中国也饱受洪水灾害的侵袭,如2016年至2018年最近三年长江流域连续发生大洪水,对长江流域产生了极大的防洪压力。但随着流域大规模水库群的建成,其巨大的防洪库容可以极大程度地蓄纳洪水、削减洪峰。若发生特大洪水,经水库群拦蓄后剩余超额洪量结合中下游蓄滞洪区的运用可有效减轻沿线重要城市、防洪控制点的防洪压力,最大程度地减少洪灾损失。由此可见,完善的流域防洪调度体系建设是有效减轻甚至避免洪灾损失的有效途径。然而,流域水库群蓄滞洪区综合调度在发挥巨大防洪效益的同时,还存在需要完善的理论问题和亟待解决的实际工程问题,主要表现在以下三个方面:(1)流域水库群联合调度方面,水库群分属不同调度机构管理,信息交互共享不及时,现有径流模拟预报方法精度受限,且考虑完整圣维南方程的求解方法在时间代价上仍较高,如何提出高效的水库群河网耦合调度模型和求解方法,是当前水库群实时防洪调度研究的热点方向之一。(2)中下游地区的蓄滞洪区、防洪保护区等防洪规划区域建设日趋完善,一旦分洪运用或被动溃口,势必造成巨大损失。因此,研究精细化洪水演进模拟技术,发展受灾条件下的应急避洪转移方法,是流域防洪调度亟待解决的另一关键问题。(3)复杂的防洪调度体系涉及多部门、多地区、多调度主体等,如何有机地将各部分紧密联系起来,快速有效预测各区域的防洪态势,具有十分重要的研究意义和应用价值。综上所述,流域水库群、蓄滞洪区防洪调度是一类由多调度主体独立又统一运用决策的问题,亟需结合多学科方法发展新的理论与技术。为此,本研究以三峡水库、长江上游梯级水库群、长江中游汉南至白庙长江干堤防洪保护区和汉北河流域为研究对象,从高效河道径流模拟模型构建着手,采用假设分析、数学分析与工程实践检验相配合的研究思路,对河道洪水演算、流域水库群联合防洪调度、蓄滞洪区分洪调度等进行了深入研究。论文主要工作内容和创新性成果如下:(1)针对复杂枝状河网水流模拟问题,提出了一种不需要单独对汊点迭代求解的高效精确解算一维数值模拟模型(H1DM)。该模型基于圣维南控制方程组,采用θ半隐方法离散动量方程的水位梯度项,利用有限体积法离散连续性方程,运用欧拉-拉格朗日法求解动量方程的对流项,结合预测校正法实现了河网系统简单、快速及高精度求解。选用三种典型算例测试了模型可靠性和适用性,并对水库库区和天然河道进行了实例模拟,结果表明模型具有较好的模拟效果。对比分析了HEC-RAS和MIKE 11等运用成熟的模型在实际河道的模拟结果,H1DM模型在保证精度相当条件下具有更高的效率,可为解决耦合河道计算的梯级水库调度问题提供有力的技术支撑。(2)研究了影响库区洪水传播时间的敏感性因子及其变化规律,提出了坝前平直段的概念,计算并分析了库容变化规律。以三峡库区为研究对象,假定河道在不同坝前水位、洪水历时、洪峰流量、和最大流量持续时间条件下分别发生渐变和急变洪水波,分析得出对洪水传播时间的敏感性最高的因子为坝前水位。其次,在2017年河床冲淤断面地形条件下,研究了三峡库区库容变化规律,分析了坝前平直段变化范围,与干流年均静库容相比,年均动库容约为静库容的1.04倍,且坝前平直段终点位于距坝址152 km附近。研究成果对实时防洪调度决策具有重要的理论意义和工程应用价值。(3)围绕长江上游水库联合防洪调度问题,分析了乌东德-白鹤滩梯级对流域防洪效益的影响,建立了快速量级预测的水库群防洪调度深度神经网络模型,并提出了一种考虑坝前平直段、河网水动力模型驱动的水库常规防洪调度耦合模型。计算了现状水平年乌东德-白鹤滩梯级参与联合调度前后的调度过程,结果表明乌东德-白鹤滩梯级能进一步减轻下游防洪压力;实例分析了金沙江中游梯级调度过程,所建模型可为实际防洪调度快速提供准确量级预测;最后,以三峡水库入库流量预测为目标,对比了一般常规调度模型和河网水动力模型驱动的常规调度模型的预测结果,后者在精度上具有一定优势,能为防洪调度实时入库洪水预报提供背景场和数量依据。(4)针对线状地物对洪水演进过程的阻碍、导流、蓄纳等影响与作用,提出了一套精细化建模处理方法。引入了容量限制网络的概念,定义了应急疏散容量限制网络的最快流可持续时间,建立了蓄滞洪区经济损失最小为目标的应急疏散避洪转移模型,并提出了一种基于启发式算法的改进容量限制路径规划算法(CCQFRP)。以汉南至白庙长江干堤防洪保护区为验证对象,分析了不同洪水来源和条件下洪水淹没情况,并定量评估了相应风险,分别运用CCRP和CCQFRP算法求解避洪转移问题,结果表明所建洪水演进模型和应急避洪转移模型可以有效反映实际洪水响应过程,CCQFRP算法在保证精度相当的前提下,平均减少计算时间约71%,具有较好的工程应用价值。(5)以流域防洪调度综合体系建设问题为背景,创新性地定义了分蓄洪民垸洪水演进动力边界,推求了流量-时间-淹没面积全动力特性曲面,构建BP神经网络流量-时刻-淹没面积时空预测知识库,建立了耦合民垸动力边界的混联水库群、分蓄洪民垸联合优化防洪调度模型,实现了流域综合防洪优化调度。选取汉北河流域为研究对象,对2007年、2008年和2016年三场大洪水进行了优化调度。调度结果表明,联合优化调度对防洪控制点的削峰作用明显,对天门站最大削峰流量可达130 m3/s,削峰幅度高达20.8%。此外,相较2016年实际分洪淹没面积,优化分洪调度减少了87.83%的淹没面积,可以极大地减少淹没损失。并以长江上游和汉北河流域洪水调度问题为切入口,探讨了以分布式架构和微服务架构为背景的流域防洪调度信息化集成开发技术。
王丽娟[7](2019)在《基于大数据分析方法的汉江流域安康段洪水预报研究》文中指出随着计算机技术的突飞猛进,人们开始广泛关注大数据的运用。大数据分析方法是在原有的计算方法以及数学模型的基础上,能够不断改进和更新的新技术、新方法。该方法可以改变传统水文学方法中繁琐的数据处理和基础参数率定的问题,能通过各相关因素之间的联系,找到一定的规律性,同时运用人工智能等技术手段,使得运算速度更快,获得的结果与实测值更接近,对于指导实际工作大有裨益。我国洪灾多发,为减少或者降低损失,有效、准确的预报洪水是尤其重要的。洪水预报是在现有的水文气象条件下,对流域的具体情况作出分析后,综合已经发生过的要素,对洪水过程(包括洪水历时和洪峰流量灯)做出预报。洪水预报通常根据降雨-径流关系或上下站水位-流量对应关系进行预报,其预见期一般不长,但精度相对较高。因此,洪水预报主要是结合降雨对径流的预报。汉江流域属于亚热带季风气候区,降水在年内分布很不平均,夏秋两季为汛期,降水量可占全年降水总量的80%,尤以6-9月降水量最大,占全年降水量的60%左右。在汛期,径流呈现双峰型。汉江流域由暴雨形成的洪水,主要与季风的活动有关系。每年的5-9月都有洪水现象发生,尤其在7、8月份可以形成较大洪水。安康属于汉江上游的峡谷地带,由于地理环境和气候条件的特殊性,暴雨中心往往会集中在安康段,具有“十年九汛”的特点,目前,洪水灾害已经成为安康地区最大的自然灾害之一。工程措施是防洪的基础,非工程措施是安全渡汛的保证,因此对汉江流域安康段的洪水预报进行深入研究,精准的预报洪水过程有着非常重要的意义。本文以汉江流域安康段为研究对象,搜集并整理了该区域的水文基础数据,根据资料的实际情况,把计算周期划分三个时间段,即:1991-2005年、2006-2012年、2013-2017年。日雨量资料采用泰森多边形法进行整理,通过出库径流资料还原计算天然入库径流。对于时间序列趋势分析,采用非参数检验Mann-Kendall方法检验,基于R语言进行编程计算,对汉江流域安康段的年降雨量进行突变检验,计算出安康段年平均入库流量的M-K突变分析统计值。由统计分析结果可知安康水库降雨径流呈明显的相关关系,说明安康水库的径流来自于降雨,且年降雨量大,年径流系数就大,即安康水库的洪水过程与该区域的降水密切相关。本文选取了大数据分析方法中基于深度学习的长短时记忆(Long-Short Term Memory,LSTM)模型对汉江流域安康段的日径流过程进行了模拟。安康水库入库径流和降雨都属于非平稳时间序列,都属于随机事件,但是在连续的时间序列上,通过相关分析,也会找出其规律性。本文研究对象为1991年-2017年这27年的水文数据。由于入库径流由水位反推而来,在采集的数据中也往往会出现一些异常值,比如有缺漏、数值明显偏大或者偏小等。为准确预测,要先利用Pandas对数据进行处理,包括剔除异常数据,补全空白数据等。引入LSTM模型到洪水预报中,通过编制Python语言编制并多次调整参数,成功构建计算模型后,利用安康段27年的水文数据进行了入库径流的模拟计算,选取了7个代表年进行日径流过程模拟计算以及10次场次洪水进行进一步的研究,采用日径流资料对代表年进行径流模拟,选取时段资料用于场次洪水过程的模拟计算,把得到的结果分别与实测径流对比,两次模拟得出的结果精度都较高。为了对采用LSTM模型进行模拟计算的结果进行检验,作为对照,本文采用新安江模型对研究区域进行了模拟计算,新安江模检验型是我国着名的被广泛认可的水文模型,在湿润地区、半湿润地区的湿润季节应用效果较好,从应用条件来看,本文的研究区域是适用的。本文采用新安江模型对汉江流域安康段的日径流过程进行模拟。应用整理后的资料,编制C语言程序,1991年1995年的水文资料用于参数率定,1996年-2017年资料用于研究区域的洪水过程的模拟计算,所得的结果与实测资料进行对比后发现,新安江模型的模拟结果与实测径流拟合得并不令人满意。可见,将LSTM模型方法应用于研究区域是有明显优势的,提高了水文预报的精度、缩短了预报时间,模拟计算研究深入到场次洪水阶段。在研究中发现问题:水文资料的获取是非常困难的,在场次洪水的计算中因满足要求的资料极少,导致在模拟计算中可训练学习的资料偏少,影响了学习效果。而伴随着大数据的发展定会促进信息的获取更为便捷,也会极大地提高水文预报结果的精度。
周传争[8](2018)在《山区流域降雨径流RBF神经网络预报模型研究》文中指出我国是个山区洪涝灾害频繁发生的国家,每年因局部强降雨和山洪灾害致死人数占洪涝灾害死亡总人数的70%以上,因此如何提高预测预报水平,增强洪水预见期,对搞好流域防洪减灾工作具有重要意义。论文主要构建山区流域降雨径流RBF神经网络预报模型,以崇阳溪武夷山站上游流域为实例进行研究,为流域的防洪减灾决策提供依据。主要研究内容如下:(1)对流域单元离散化,确定子流域洪水传播时间。将流域划分为7个子流域。不计武夷山站子流域的影响,得到其余6个子流域大安、洋庄、坑口、吴边、岭阳、岚谷的面积权重分别为0.20、0.10、0.20、0.22、0.13、0.15。根据形心法算出的子流域ti与实际暴雨洪水传播时间Ti进行对比,综合分析确定6个子流域洪水传播时间τi分别为3h、lh、3h、2h、4h、3h。同时,计算武夷山站各频率设计洪水洪峰流量,对成果进行合理性分析,并对洪灾成因进行分析。(2)搜集21场洪水样本,将其分为12场训练样本、3场监控样本、6场检验样本,选取合适的RBF网络学习算法,拟定预见期T为lh,考虑τi和T,采用武夷山水文站上游流域大安站、洋庄站、坑口站、岭阳站、岚谷站、吴边站6个雨量站的时段降雨过程,对其进行赋权和对数转化,连同累计降雨过程作为输入变量,武夷山水文站的出口断面流量过程为输出,建立流域降雨径流RBF神经网络预报模型(简称模型一)。模型预报效果不是太好,综合合格率为55.6%,平均确定性系数0.586。(3)把监控样本加入训练样本,15场洪水作为训练样本,6场洪水作为检验样本,对模型一进行改进。考虑τ;、max{τi}、min{τi}、T,采用上述6个雨量站的时段降雨过程,对其进行赋权和对数转化,连同夷山水文站前min{τi},min {{τi}+1,…,max{τi}-1,max{τi}时刻的流量过程为输入,武夷山水文站的出口断面流量过程为输出,建立RBF模型二。模型预报效果好,单项、综合合格率均达到100%,平均确定性系数0.952。(4)在模型二的基础上,分别构造源于高斯函数的指数形式和Log型S函数形式的径向基函数,建立RBF模型。两种函数预报方案单项、综合合格率均达到100%,平均确定性系数超过0.900。(5)应用二水源新安江模型对崇阳溪上游流域6场洪水进行模拟,综合合格率为88.9%,平均确定系数为0.771。(6)将上述模型进行对比,对误差进行分析、评定,确定模型二为崇阳溪上游流域预报效果最优的预报模型,为流域的防汛调度提供依据。
王涛[9](2013)在《基于神经—模糊理论的冰情预报研究》文中研究指明河冰是北方河流和水利工程的重要研究课题。近些年冰情灾害发生范围有所扩大,给经济发展带来的危害和损失在不断增加,防治冰凌灾害已经成为国民经济发展中必须重视的问题。防治冰凌灾害的首要任务是加强冰情预报的研究,建立健全冰情预报系统。所以本论文开展了模糊—神经理论预报明渠冰情的研究。本文主要创新点如下:(1)研发了基于Levenberg-Marquart算法改进BP神经网络(ANN)的冰情预报系统。建立了基于Levenberg-Marquart算法改进的Back Propagation(BP)神经网络模型,并把该模型应用到黄河宁蒙河段实时冰情预报中。通过比较,神经网络模型的预报精度明显高于智能的遗传算法(G(0,N))和传统的统计模型。该模型已经投入到黄河宁蒙河段冰情运行管理中,连续多年在线成功的预报了黄河宁蒙河段流凌、封河和开河日期,为黄委会黄河凌汛提前决策提供了重要的科学依据。(2)提出了自适应神经模糊推理系统(ANFIS)预报河道冰情。鉴于自适应网络的模糊推理系统吸收了神经网络和模糊理论两者优点,本论文提出用ANFIS预报河渠冰情,模拟了黄河宁蒙河段石嘴山、巴彦高勒、三湖河口、头道拐水文站冬季水温的变化。同时把ANN结果同ANFIS预报结果进行比较,证明(?)NFIS模型比神经网络理论具有更高的预报精度。(3)引用中国传统二十四节气到冰情预报研究中。把中国传统二十四节气应用到冰情预报中,开展南水北调中线工程冬季输水冰情预报。把立冬日作为预报的时间基准点,采用Levenberg-Marquart算法改进的BP神经网络模型预报南水北调中线黄河以北6个城市的气温稳定转正和转负日期。并同公历作为时间坐标系预报结果进行对比,前者预报精度好于后者。在预报因子选取中也考虑到农历二十四节气作为时间节点的参考价值。
甄祯[10](2011)在《基于改进人工神经网络的水文要素评价与预报》文中指出水资源的开发利用与管理是人类作用于自然水系统的理性活动,涉及的内容众多,包括水资源系统的优化、决策、评价以及预测等各个方面。人工神经网络是由大量简单的元件连接而成,用以模拟人脑行为的复杂网络系统,具有对信息进行并行处理、分布式存储以及自学习与推理的能力,表现出容错性、非线性、非局限性、非凸性等特点,适于对模糊信息或复杂的非线性关系进行识别与映射。研究表明该技术在很多领域都具有广阔的应用潜力,近年来,神经网络技术在水文水资源中的应用也越来越多,体现出重要的理论价值和广泛的应用前景。本文在综合分析国内外关于水资源系统分析、预报模型、应用现状以及人工神经网络的广泛应用等研究基础上,针对存在的问题,探讨了改进人工神经网络的水文要素评价与预报。在对人工神经网络的基本理论研究的基础上,结合水科学领域的专业知识,紧密联系工程实际,深入研究了改进的人工神经网络在地下水质量评价、径流预报和洪水预报方面的应用,进行了样本训练和预报方案验证,并且对验证结果进行了误差分析。针对区域地下水进行动态分析和随机性分析,建立地下水系统质量评价模型,用人工神经网络对地下水质量进行评价。经过验证得出改进的BP神经网络应用于地下水水质综合评价是可行的。评价网络模型一旦训练好,就可以推广应用于环境问题的评价。针对径流预报的重要性和复杂性,采用模糊模式识别神经网络的最速下降—共轭梯度学习方法,经过学习识别流域产流条件和径流的相关机制,探讨了基于人工神经网络降雨径流预报的建模原理及方法,进行了样本训练和预报方案验证,并且对验证结果进行了误差分析。结果表明,模糊模式识别神经网络径流预报模型是可行的。根据天然河道的河系关系的复杂程度,将河道洪水预报分为单一河道的洪水预报和河系洪水预报,构建了洪水神经网络预报模型,并且采用洪水预报峰值识别理论的改进BP算法建立了河道洪水预报方案。通过分析,可以总结出基于人工神经网络技术的洪水神经网络预报具有以下几个突出特点:对洪水演进机制的仿真精度相对较高;实施容易;模型运行速度快;操作简单,运行灵活。
二、使用人工神经网络预报河道流量(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、使用人工神经网络预报河道流量(论文提纲范文)
(1)嫩江-库漠屯站以上流域的洪水预报研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 洪水预报概述 |
1.2.2 洪水预报研究进展 |
1.2.3 人工神经网络概述 |
1.2.4 人工神经网络在水文领域的应用进展 |
1.3 研究内容和技术路线 |
2 流域概况和资料处理 |
2.1 概述 |
2.2 研究流域概况 |
2.2.1 自然地理条件 |
2.2.2 水文气象条件 |
2.3 水文资料的收集和整理 |
2.3.1 降雨和流量数据的处理 |
2.3.2 退水曲线绘制 |
2.3.3 场次洪水划分 |
2.3.4 场次洪水特性分析 |
2.4 小结 |
3 基于马斯京根法的石灰窑-古里-库漠屯区间的洪水演算 |
3.1 概述 |
3.2 马斯京根法介绍 |
3.2.1 方法原理 |
3.2.2 参数确定 |
3.2.3 模型构建 |
3.3 结果分析 |
3.3.1 基于马斯京根法的演算结果 |
3.3.2 洪水分类后的马斯京根法演算结果 |
3.3.3 两者对比 |
3.4 小结 |
4 BP神经网络模型在石灰窑-古里-库漠屯区间的应用 |
4.1 概述 |
4.2 基于BP神经网络模型的石灰窑-古里-库漠屯区间的流量预报 |
4.2.1 模型介绍 |
4.2.2 模型建立 |
4.2.3 样本资料的组织处理 |
4.3 结果分析 |
4.3.1 不分类情况下的预报结果 |
4.3.2 分类情况下的预报结果 |
4.4 小结 |
5 基于新安江模型在库漠屯以上流域的应用 |
5.1 概述 |
5.2 新安江模型介绍 |
5.2.1 模型概述 |
5.2.2 参数介绍和优化 |
5.3 基于新安江模型在库漠屯以上流域的应用 |
5.3.1 模型参数取值 |
5.3.2 模拟结果分析 |
5.4 小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
(2)径流预报的过程化机制研究与系统集成实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 问题剖析 |
1.4 研究内容与技术路线 |
1.4.1 研究的主要内容 |
1.4.2 技术路线 |
2 研究流域概况及径流序列特性分析 |
2.1 研究流域概况 |
2.1.1 流域概况 |
2.1.2 河流水系分布 |
2.1.3 径流量概况 |
2.2 径流资料整编及“三性”审查 |
2.2.1 径流资料整编 |
2.2.2 径流资料“三性”审查 |
2.3 径流时间序列特征分析 |
2.3.1 年径流序列特征值 |
2.3.2 年内变化特征 |
2.3.3 年际变化特征 |
2.3.4 代际变化特征 |
2.3.5 周期识别 |
2.3.6 变异诊断 |
2.4 本章小结 |
3 径流预报的过程化机制研究 |
3.1 问题导向 |
3.1.1 径流预报的不确定性因素 |
3.1.2 径流预报现存的问题与挑战 |
3.1.3 过程化机制的引入 |
3.2 基于过程化机制的径流预报模式 |
3.3 滚动反馈机制 |
3.4 多尺度嵌套机制 |
3.5 区间化机制 |
3.6 响应变化的适应性机制 |
3.6.1 响应环境变化的适应机制 |
3.6.2 响应需求变化的适应机制 |
3.7 本章小结 |
4 基于过程化机制的径流预报系统实现 |
4.1 支撑过程化机制实现的平台 |
4.2 支撑过程化机制实现的技术 |
4.2.1 组件开发技术 |
4.2.2 知识图技术 |
4.3 面向主题的应用组织及运行 |
4.3.1 系统主题提取 |
4.3.2 系统知识可视化组织 |
4.3.3 系统组件的划分、开发、封装与发布 |
4.3.4 系统运行 |
4.4 本章小结 |
5 径流预报的过程化机制与分解集成模型的融合 |
5.1 预报模型方法库构建 |
5.1.1 数据预处理方法库 |
5.1.2 预报模型方法库 |
5.2 过程化机制与预报模型的融合实现 |
5.2.1 基于分解集成人工智能模型的径流预报实现 |
5.2.2 不同时间尺度的径流预报实现 |
5.2.3 适应性径流预报实现 |
5.2.4 基于过程化机制的径流预报实现 |
5.3 径流预报的在线评价 |
5.4 本章小结 |
6 基于过程化机制的分解集成预报模型应用实例 |
6.1 基于过程化机制的日径流预报 |
6.1.1 研究数据来源与描述 |
6.1.2 评价指标 |
6.1.3 预报模型构建 |
6.1.4 应用结果分析 |
6.2 基于过程化机制的月径流预报 |
6.2.1 研究数据来源与描述 |
6.2.2 预报模型构建 |
6.2.3 评价指标 |
6.2.4 应用结果分析 |
6.3 本章小结 |
7 基于过程化机制的径流预报业务集成应用 |
7.1 基于分解集成人工智能模型的径流预报 |
7.2 不同时间尺度的径流预报 |
7.2.1 实测流量分析 |
7.2.2 不同时间尺度的径流预报 |
7.2.3 预报结果与实测结果对比分析 |
7.2.4 多模型集成洪水预报分析 |
7.3 适应性径流预报 |
7.3.1 区间化径流预报 |
7.3.2 多时间尺度嵌套的径流预报 |
7.3.3 径流预报方案滚动互馈 |
7.3.4 径流预报指导下的水量调配 |
7.4 本章小结 |
8 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
致谢 |
参考文献 |
攻读博士期间主要研究成果 |
(3)机器学习技术在城市洪涝快速预报中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究进展 |
1.3.1 人工智能简介 |
1.3.2 机器学习在水文应用中的现状 |
1.4 论文主要研究内容 |
1.5 论文技术路线 |
第二章 基本理论与方法 |
2.1 IFMS/URBAN模型理论 |
2.1.1 IFMS Urban城市管网模型原理 |
2.1.2 IFMS/ Urban二维地表水动力学模型原理 |
2.1.3 IFMS/ Urban一二维模型耦合原理 |
2.2 机器学习模型原理 |
2.2.1 回归模型 |
2.2.2 全连接神经网络 |
2.2.3 聚类模型 |
2.3 特征缩放 |
2.4 过拟合处理方法 |
2.5 误差判别方法 |
2.6 本章总结 |
第三章 成都市一二维耦合模型构建 |
3.1 区域概况 |
3.2 模型构建 |
3.2.1 产流区域划分 |
3.2.2 雨量站信息关联 |
3.2.3 一维管网模型构建 |
3.2.4 二维模型构建 |
3.2.5 二维模型耦合 |
3.2.6 模型边界条件设置 |
3.3 模型参数率定与模型验证 |
3.3.1 模型参数率定 |
3.3.2 模型验证 |
3.4 本章小结 |
第四章 流量预测回归模型 |
4.1 降雨数据处理 |
4.2 传统回归模型 |
4.3 全连接神经网络 |
4.4 模型验证 |
4.5 本章小结 |
第五章 二维淹没水位预测模型 |
5.1 数据集提取 |
5.2 降维模型 |
5.3 聚类模型 |
5.4 回归模型 |
5.5 结果验证 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 主要成果与结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
攻读硕士期间发表的论文及所取得的研究成果 |
致谢 |
(4)太湖流域水量调度会商决策支持系统设计与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 水文径流预测预报技术 |
1.2.2 相似分析技术 |
1.2.3 水资源调度决策支持系统 |
1.3 论文主要研究内容 |
第2章 流域概况 |
2.1 地理位置 |
2.2 流域水系 |
2.2.1 河流 |
2.2.2 湖泊 |
2.3 水文气象 |
2.4 社会经济 |
2.5 本章小结 |
第3章 基于人工智能算法的太湖流域水位预测模型研究 |
3.1 基于统计相关水位预报模型的介绍 |
3.1.1 基于相关系数法的预报因子筛选方法 |
3.1.2 水位预测模型的介绍 |
3.2 预测模型在太湖流域的应用 |
3.2.1 太湖流域水位预报因子筛选 |
3.2.2 太湖流域水位预报结果分析 |
3.3 本章小结 |
第4章 基于相似分析的太湖流域调度决策支持技术 |
4.1 相似性分析模型 |
4.1.1 单列时间序列相似性度量-欧氏距离法 |
4.1.2 多元时间序列相似性度量-BORDA计数法 |
4.1.3 基于机器学习算法-XGBOOST算法 |
4.2 基于机器学习的多元水文时间序列模型在系统中的应用 |
4.3 本章小结 |
第5章 基于事件驱动的太湖流域水量调度会商决策支持系统设计与实现 |
5.1 系统总体架构设计 |
5.1.1 总体功能结构 |
5.1.2 技术架构 |
5.2 基于事件驱动系统功能框架 |
5.2.1 事件驱动整体框架的介绍 |
5.2.2 事件驱动原理及不同事件类型介绍 |
5.3 系统功能模块设计与实现 |
5.3.1 事件驱动 |
5.3.2 调度预警监视 |
5.3.3 调度情势分析 |
5.3.4 调度模拟 |
5.3.5 指挥调度会商支持 |
5.3.6 执行监控 |
5.3.7 调度后评估 |
5.3.8 日常管理 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 存在问题及展望 |
致谢 |
参考文献 |
附录 |
(5)黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 洪水预报模型研究 |
1.2.2 黄土区中小流域洪水模拟研究 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 研究方法及技术路线 |
第二章 圪洞流域下垫面及水文特征分析 |
2.1 圪洞流域概况 |
2.2 地形地貌特征 |
2.2.1 地貌特征 |
2.2.2 地形特点 |
2.3 土地利用类型 |
2.4 站网信息及子流域划分 |
2.5 水文特征分析 |
2.5.1 径流特征 |
2.5.2 洪水特征 |
2.5.3 降雨损失 |
2.6 本章小结 |
第三章 KNN-FWA-ELM洪水预报模型构建原理及方法 |
3.1 极限学习机(ELM)原理及算法 |
3.2 烟花算法(FWA)原理及算法 |
3.3 K最近邻方法(KNN)原理及算法 |
3.4 KNN-FWA-ELM模型构建 |
3.4.1 模型参数设定 |
3.4.2 模型输入与输出 |
3.4.3 数据归一化处理 |
3.4.4 模型构建 |
3.5 场次洪水模拟结果评价标准 |
3.6 本章小结 |
第四章 KNN-FWA-ELM洪水预报模型实例应用 |
4.1 ELM模型洪水预报 |
4.1.1 场次洪水模拟 |
4.1.2 模拟结果评价 |
4.2 KNN-FWA-ELM模型洪水预报 |
4.2.1 场次洪水模拟 |
4.2.2 模拟结果评价 |
4.3 KNN-FWA-ELM与 ELM模型场次洪水模拟结果对比分析 |
4.3.1 所有场次洪水模拟结果对比 |
4.3.2 不同时期场次洪水模拟结果对比 |
4.3.3 不同等级场次洪水模拟结果对比 |
4.4 本章小结 |
第五章 KNN-FWA-ELM洪水预报模型适用性研究 |
5.1 HEC-HMS模型构建及场次洪水模拟 |
5.1.1 模型原理及构建 |
5.1.2 场次洪水模拟及结果评价 |
5.1.3 不同等级场次洪水模拟 |
5.2 KNN-FWA-ELM模型与HEC-HMS模型模拟结果对比分析 |
5.2.1 所有场次洪水模拟结果对比 |
5.2.2 不同时期场次洪水模拟结果对比 |
5.2.3 不同等级场次洪水模拟结果对比 |
5.2.4 不同洪水特征值模拟结果对比 |
5.2.5 KNN-FWA-ELM洪水预报模型的适用性 |
5.3 KNN-FWA-ELM洪水预报模型在王家沟试验小区的适用性 |
5.3.1 王家沟试验小区概况 |
5.3.2 KNN-FWA-ELM模型在王家沟试验小区的适用性 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
6.3 创新点 |
参考文献 |
附图 |
致谢 |
攻读博士学位期间主要研究工作 |
1.攻读博士学位期间参加的科研项目 |
2.攻读博士学位期间发表的论文 |
(6)流域水库群蓄滞洪区综合防洪调度研究与应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 选题背景与研究思路 |
1.3 流域水库群蓄滞洪区防洪调度综合研究综述 |
1.4 本文主要研究内容与框架 |
2 高效解算一维枝状河网模型 |
2.1 引言 |
2.2 高效解算一维枝状河网模型 |
2.3 算例验证与分析 |
2.4 实例计算与分析 |
2.5 本章小结 |
3 水库库区洪水传播时间与库容变化规律研究 |
3.1 引言 |
3.2 库区洪水传播变化规律 |
3.3 库容变化规律 |
3.4 本章小结 |
4 水库群联合防洪调度研究 |
4.1 引言 |
4.2 研究流域及其防洪调度目标 |
4.3 基于调度规则的水库群联合常规防洪调度 |
4.4 基于深度神经网络的水库群联合防洪调度 |
4.5 耦合河网模型的常规防洪调度模型 |
4.6 本章小结 |
5 蓄滞洪区防洪调度研究 |
5.1 引言 |
5.2 蓄滞洪区洪水演进精细化模拟模型 |
5.3 应急疏散避洪转移模型 |
5.4 实例分析 |
5.5 本章小结 |
6 流域综合防洪调度体系与信息化技术研究 |
6.1 引言 |
6.2 流域综合防洪调度研究——以汉北河流域为例 |
6.3 流域防洪调度信息化技术研究与应用 |
6.4 本章小结 |
7 总结与展望 |
7.1 研究总结 |
7.2 工作展望 |
致谢 |
参考文献 |
附录1:攻读博士期间发表的学术论文 |
附录2:攻读博士期间完成和参与的主要科研项目 |
附录3:攻读博士期间与导师合作完成的发明专利 |
附录4:攻读博士期间获得的奖励 |
(7)基于大数据分析方法的汉江流域安康段洪水预报研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 选题背景与研究意义 |
1.1.2 研究区域背景与研究意义 |
1.2 研究现状及进展 |
1.3 研究思路与主要研究内容 |
1.3.1 研究思路 |
1.3.2 各章研究内容与技术路线 |
1.4 本章小结 |
第2章 水文预报模型及应用 |
2.1 水文模型研究进展 |
2.2 水文模型的应用 |
2.3 水文模型评估 |
2.3.1 模型选择 |
2.3.2 模型率定 |
2.3.3 模型验证 |
2.3.4 模型评价 |
2.4 本章小结 |
第3章 洪水预报模型 |
3.1 新安江模型原理 |
3.1.1 流域蒸散发计算 |
3.1.2 产流计算 |
3.1.3 三水源划分 |
3.1.4 流域汇流计算 |
3.2 马斯京根洪水演算法 |
3.2.1 基本原理 |
3.2.2 马斯京根流量演算方程 |
3.2.3 马斯京根连续演算法 |
3.3 大数据分析方法 |
3.3.1 大数据分析的基本方法 |
3.3.2 大数据分析方法涉及的技术 |
3.3.3 大数据分析的主要技术 |
3.3.4 大数据分析的难点 |
3.3.5 循环神经网络RNN模型 |
3.3.6 基于深度学习的长短时记忆LSTM网络模型 |
3.4 本章小结 |
第4章 研究区域资料整理与统计分析计算 |
4.1 研究工程概况 |
4.2 资料收集整理与统计计算 |
4.2.1 汉江上游梯级简介 |
4.2.2 原始数据来源 |
4.2.3 计算周期划分与流域分块 |
4.2.4 资料整理与统计计算 |
4.3 水文历史变化分析 |
4.4 本章小结 |
第5章 基于LSTM模型的洪水过程模拟计算 |
5.1 日径流过程模拟计算 |
5.1.1 LSTM模型网络训练 |
5.1.2 LSTM模型模型构建 |
5.1.3 计算结果验证 |
5.1.4 计算结果分析 |
5.2 代表年洪水过程模拟计算 |
5.2.1 代表年的选取 |
5.2.2 代表年全年径流过程模拟结果 |
5.2.3 代表年汛期洪水模拟结果 |
5.3 场次洪水模拟计算 |
5.3.1 场次洪水资料的选取 |
5.3.2 场次洪水资料分析 |
5.3.3 场次洪水模拟计算结果 |
5.3.4 模拟计算结果分析 |
5.3.5 误差分析 |
5.3.6 过程分析 |
5.4 本章小结 |
第6章 基于新安江模型的洪水过程模拟计算 |
6.1 新安江三水源模型计算 |
6.1.1 蓄满产流模型 |
6.1.2 流域透水面积上蓄水容量曲线方程 |
6.1.3 流域径流深计算 |
6.1.4 流域蒸散发模型 |
6.1.5 流域土壤蓄水量计算 |
6.1.6 流域透水面积上总径流R(净雨)划分 |
6.1.7 流域汇流模型 |
6.2 新安江三水源模型参数率定 |
6.2.1 参数率定 |
6.2.2 产流模型参数率定 |
6.2.3 分水源参数率定 |
6.2.4 计算结果验证 |
6.2.5 计算结果分析 |
6.3 新安江模型法与LSTM模型汛期模拟结果对比 |
6.4 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
攻读学位期间发表的论文和研究成果 |
参考文献 |
致谢 |
(8)山区流域降雨径流RBF神经网络预报模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的与意义 |
1.2 国内外研究现状 |
1.2.1 水文预报方法研究现状 |
1.2.2 人工神经网络在洪水预报中的应用 |
1.3 研究内容 |
第二章 RBF神经网络和新安江模型基本原理 |
2.1 人工神经元与人工神经网络简介 |
2.2 人工神经网络的发展及功能特点 |
2.3 RBF神经网络 |
2.3.1 RBF神经网络结构与径向基函数 |
2.3.2 RBF神经网络的学习 |
2.4 新安江流域水文模型 |
2.4.1 新安江模型概述 |
2.4.2 新安江模型的结构和基本原理 |
2.5 本章小结 |
第三章 流域洪水特性分析与洪水流量计算 |
3.1 自然地理概况 |
3.2 流域水文气象 |
3.2.1 流域水文气象特征 |
3.2.2 武夷山水文站基本概况 |
3.3 流域特大洪涝灾害概况 |
3.4 流域洪水特性分析与洪水流量计算 |
3.4.1 河道特性 |
3.4.2 流域的提取与降雨径流过程 |
3.4.3 洪水流量的计算 |
3.4.4 洪灾成因分析 |
3.5 本章小结 |
第四章 流域降雨径流预报模型研究 |
4.1 RBF神经网络预报模型建模过程 |
4.1.1 数据前处理 |
4.1.2 输入模式的确立与输入变量的权重 |
4.1.3 过拟合、欠拟合及预防 |
4.1.4 隐含层、节点数与训练过程 |
4.2 山区流域降雨径流预报模型 |
4.3 考虑降雨过程的RBF神经网络洪水预报模型 |
4.4 考虑前期流量过程的RBF神经网络洪水预报模型 |
4.5 考虑不同径向基函数的RBF神经网络洪水预报模型 |
4.6 新安江模型应用 |
4.7 模型的综合评价 |
4.7.1 模型精度评定的指标 |
4.7.2 不同预报方案的预报结果对比 |
4.7.3 流域降雨径流预报模型的确定 |
4.8 本章小结 |
结论与展望 |
结论 |
展望 |
参考文献 |
致谢 |
个人简介 |
参与的科研项目 |
(9)基于神经—模糊理论的冰情预报研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 研究目的和意义 |
1.2 研究现状及存在的问题 |
1.2.1 水科学中水文预报的研究现状 |
1.2.1.1 成因分析法 |
1.2.1.2 数理统计法 |
1.2.1.3 灰色系统理论 |
1.2.1.4 神经-模糊理论 |
1.2.2 河冰研究现状 |
1.2.3 冰情预报研究中存在的问题和解决方法 |
1.3 研究目标和主要内容 |
1.3.1 研究目标 |
1.3.2 主要内容 |
第二章 冰情预报的人工神经网络模型 |
2.1 BP神经网络的原理 |
2.2 BP神经网络模型 |
2.2.1 前馈网络 |
2.2.2 经典的BP网络 |
2.3 BP神经网络的改进:Levenberg-Marquart算法 |
2.4 BP神经网络应用在水文预报中的关键问题 |
2.5 基于人工神经网络的黄河宁蒙河段冰情预报研究 |
2.5.1 冰情预报模型 |
2.5.1.1 流凌、封河、开河日期预报的神经网络数学模型 |
2.5.1.2 首封日期和首封地点的神经网络模型 |
2.5.1.3 水温预报的神经网络数学模型 |
2.5.1.4 流量和水位预报的神经网络模型 |
2.5.1.5 开河期最高水位和最大流量预报的神经网络模型 |
2.5.1.6 冰塞和冰坝预报的神经网络模型 |
2.5.2 流凌、封河、开河日期的预报 |
2.5.2.1 石嘴山水文站流凌日期的预报 |
2.5.2.2 石嘴山水文站封河日期的预报 |
2.5.2.3 石嘴山水文站开河日期的预报 |
2.5.3 预报结果的评定 |
2.5.4 神经网络预报结果同传统模型预报结果的比较 |
2.5.4.1 多元回归模型 |
2.5.4.2 灰色系统理论GM(0,N) |
2.5.4.3 三种模型预报结果的比较 |
2.6 基于人工神经网络模型的冰情预报结论 |
2.7 本章小结 |
第三章 中国传统历法在现代水文预报中的应用 |
3.1 中国传统二十四节气 |
3.1.1 阳历、阴历和中国传统农历 |
3.1.2 农历中的二十四节气 |
3.2 中国传统历法与水文学关系 |
3.3 二十四节气在南水北调中线冰情预报 |
3.3.1 南水北调中线冬季气候气温研究 |
3.3.1.1 气温分析 |
3.3.1.2 气候分析 |
3.3.1.3 气温稳定转负日期分析 |
3.3.1.4 气温稳定转正日期分析 |
3.3.2 基于神经网络理论冰情预报模型 |
3.3.3 预报目标的相关性 |
3.3.4 预报结果分析 |
3.3.5 农历坐标系和公历坐标系下预报结果的比较 |
3.4 本章小结 |
第四章 基于自适应神经模糊推理系统的冰情预报研究 |
4.1 自适应神经模糊推理系统设计 |
4.2 ANFIS系统中的隶属函数 |
4.3 冰情预报中的几个重要评定指标 |
4.4 ANFIS预报黄河冰期水温 |
4.4.1 预报因子的分析 |
4.4.2 隶属函数和预见期的选择 |
4.4.3 石嘴山水文站水温预报 |
4.4.4 预报结果的评定 |
4.4.5 ANFIS模型和ANN模型预报结果的对比 |
4.5 基于自适应神经模糊推理系统的冰情预报研究在总结 |
4.6 本章小结 |
第五章 总结和展望 |
5.1 总结 |
5.2 研究的创新点 |
5.3 前景展望和不足 |
参考文献 |
攻读博士期间发表的论文、着作和科研报告 |
攻博博士期间参加的与该论文有关的科研项目 |
攻读博士期间获得的奖励 |
致谢 |
(10)基于改进人工神经网络的水文要素评价与预报(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 研究意义 |
1.3 神经网络预测研究现状 |
1.4 人工神经网络在水文领域的应用现状 |
1.4.1 人工神经网络在降雨径流预报中的应用 |
1.4.2 人工神经网络在水质预测中的应用 |
1.4.3 人工神经网络在水环境评价中的应用 |
1.4.4 人工神经网络在水害防治中的应用 |
1.4.5 人工神经网络在水资源配置与管理决策中的应用 |
1.5 本文研究的主要内容及技术路线 |
1.6 本章小结 |
第二章 人工神经网络基本理论 |
2.1 人工神经网络简介 |
2.2 人工神经网络的发展历史 |
2.3 人工神经网络模型 |
2.3.1 人工神经元模型 |
2.3.2 BP网络模型的改进及其优化 |
2.4 人工神经网络的分类及学习规则 |
2.4.1 人工神经网络的分类 |
2.4.2 人工神经网络的学习 |
2.5 人工神经网络的信息处理能力 |
2.6 本章小结 |
第三章 改进的BP网络在地下水质量评价中的应用 |
3.1 引言 |
3.2 地下水质量评价的基本原理 |
3.2.1 常用的地下水质评价方法 |
3.2.2 评价原则 |
3.2.3 BP神经网络模型参数的确定 |
3.3 应用实例 |
3.3.1 改进的BP网络模型的建立 |
3.3.2 评价结果分析比较 |
3.4 本章小结 |
第四章 模糊模式识别神经网络在径流预报中的应用 |
4.1 引言 |
4.2 模糊模式识别神经网络预报模型 |
4.2.1 预报模型 |
4.2.2 模糊模式识别预报模型的基本原理 |
4.2.3 模糊模式识别神经网络的最速下降—共轭梯度学习方法 |
4.3 应用实例 |
4.3.1 网络模型的建立 |
4.3.2 径流预报结果分析比较 |
4.4 本章小结 |
第五章 人工神经网络在河道洪水预报中的应用 |
5.1 引言 |
5.2 洪水神经网络预报的基本原理 |
5.3 神经网络峰值识别理论 |
5.4 洪水预报精度评定 |
5.5 单一河道洪水预报模型 |
5.6 河道洪水预报应用实例 |
5.6.1 水位预报模型 |
5.6.2 流量预报模型 |
5.6.3 双输入双输出的水位流量洪水预报模型 |
5.6.4 洪水预报结果分析比较 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录A 攻读硕士期间发表论文目录 |
附录B 主程序代码 |
四、使用人工神经网络预报河道流量(论文参考文献)
- [1]嫩江-库漠屯站以上流域的洪水预报研究[D]. 郑海洋. 大连理工大学, 2021(01)
- [2]径流预报的过程化机制研究与系统集成实现[D]. 何欣欣. 西安理工大学, 2020(01)
- [3]机器学习技术在城市洪涝快速预报中的应用研究[D]. 曾鹏. 中国水利水电科学研究院, 2020(04)
- [4]太湖流域水量调度会商决策支持系统设计与实现[D]. 丁公博. 中国地质大学(北京), 2020(08)
- [5]黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究[D]. 任娟慧. 太原理工大学, 2019(03)
- [6]流域水库群蓄滞洪区综合防洪调度研究与应用[D]. 卢程伟. 华中科技大学, 2019
- [7]基于大数据分析方法的汉江流域安康段洪水预报研究[D]. 王丽娟. 云南师范大学, 2019(01)
- [8]山区流域降雨径流RBF神经网络预报模型研究[D]. 周传争. 福州大学, 2018(03)
- [9]基于神经—模糊理论的冰情预报研究[D]. 王涛. 中国水利水电科学研究院, 2013(06)
- [10]基于改进人工神经网络的水文要素评价与预报[D]. 甄祯. 昆明理工大学, 2011(05)