人工神经网络模型与新安江模型的应用比较

合集下载

6 新安江模型解读

(6 - 3)
大量资料表明，WWM～f/F有如下关系：
f 1 (1 F f 或 1 (1 F
2019/2/24
WWM B ) WWMM WWM B ) WWMM
(6 - 4)
12
则：
WM

1
0
WWMd (f / F)
WWMM 1 B
(6 - 5)
对纵坐标积分 :
A f WWM W (1 )dWWM (1 )dWWM 0 0 F WWMM 1 W 1 B A WWMM 1 - (1 ) (6 - 6) WM A
(6 - 7)
产流计算特点：雨强对产量无影响，产流量取决于P－E与W。
2019/2/24
模型参数：WM与B WM：流域干燥时的缺水量，代表流域干旱情况，气候因素； B：蓄水容量在流域上的分布不均匀性，B＝0时分布均匀，愈大愈不均匀，决定于地形、地质条件。
2019/2/24
11
利用流域蓄水容量曲线计算产流量（右图）：
W：流域原有蓄水量，相应纵标A W分布：(f/F)A左边蓄满，右边未蓄满，假定按水平分布。以此时段为基础：降雨P，蒸散发E，径流量R，损失量L 满足如下水量平衡关系（超蓄产流方程）：
R ( P E ) ( W2 W1 )
EU EL ED
WUM
WLM
C
出流过程
KE XE
径流 R
径流
R
2019/2/24
8
二、二水源新安江模型的微结构（一）用超蓄产流（即“蓄满产流”）模型计算总径流 R、地表径流RS 及地下径流RG （1）超蓄产流模型概念超蓄产流模型是目前我国湿润地区的主要产流模型。 “蓄满”，指含气层的土壤含水量达到田间持水量，而非土壤完全饱和； “超蓄产流”指土壤达到田间持水量以前不产流，所有降雨都被土壤吸收，成为薄膜水和张力水；而在土壤达到田间持水量以后，所有降雨（除去同期蒸发）都产流。这时土壤的下渗能力为稳定下渗率，稳定下渗量FC补充地下水，形成地下径流，而超渗的部分则形成地表径流。与“超渗产流”模型的区别： “超蓄产流”模型先计算R，在分成RS、RG； “超渗产流”模型先计算RS、RG，再合成R。

基于人工神经网络的水质评价研究

基于人工神经网络的水质评价研究引言水是人们生产和生活所必需的。

其质量对于环境与人类的健康至关重要。

因此，水质评价工作对于水资源的保护和环境的维护至关重要。

目前传统的水质评价方法需要工程师通过手动收集和分析样本，并进行繁杂的数学计算。

这种方法效率低下且容易产生误差。

基于人工神经网络的水质评价研究是在现有技术基础上的一次重要尝试。

人工神经网络简介人工神经网络是一类由具有可调节参数的非线性单元组成的连接网络。

其结构可以模拟大脑神经元之间的相互关系。

人工神经网络的训练过程类似于大脑的学习过程，其能够自适应地提取关键特征并进行分类，预测和识别。

水质指标分析水质的指标是评价水质的主要依据，包括溶解氧、温度、pH 值、浑浊度、氨氮、总有机碳等。

这些指标也称为水质影响因子，可以通过废水和水体监测以及人工取样分析得到。

在水质评价研究中，这些指标是最重要的参数。

神经网络模型建立在建立模型之前，需要将数据集分为训练集和测试集。

训练集是用于训练神经网络的数据集，而测试集是用于评估模型的性能。

先将数据集进行归一化，消除指标之间的差异，使得指标对于整体数据的总体分布有更好的理解。

可以采用MinMax归一化法对数据集进行归一化。

将归一化后的数据集输入到神经网络中。

通过不断迭代运算，使得神经网络逐渐接近所期望的输出结果。

神经网络的训练过程是自适应的，根据实际情况进行调整。

在训练结束之后，将测试数据集输入到神经网络，并通过预测值与实际值的比较来评估模型的性能。

结果与分析在实际生产中，通过对水质指标进行实时监测，可以获得大量的水质数据。

通过将这些数据输入到基于人工神经网络的水质评价模型中，可以高效地评价水质。

在实验中，选择了溶解氧和pH值作为输入参数，并设计2层的BP神经网络，并进行了相关的训练。

通过测试，模型的平均误差为0.032，预测精度达到98.6%。

可见，基于人工神经网络的水质评价方法具有全面性和高精度性，使得水质评价过程可以自动化、快速、高效，并且可以适应多种复杂的环境条件。

新安江模型参数的分析

一、模型的结构与参数三水源新安江模型的流程图如图1所示.图1 三水源新安江模型流程图图1 中输入为实测雨量P ，实测水面蒸发EM ；输出为流域出口流量Q ，流域蒸散发E.方框内是状态变量，方框外是参数变量。

模型结构及计算方法可分为以下四大部分.1．蒸散发计算用三个土层的模型，其参数为上层张力水容量UM ，下层张力水容量LM ，深层蒸散发系数C ，蒸散发折算系数K ，所用公式如下：当上层张力水蓄量足够时，上层蒸散发EU 为EM E EU ⨯=当上层已干，而下层蓄量足够时,下层蒸散发EL 为LM WL EM K EL /⨯⨯=当下层蓄量亦不足，要触及深层时，蒸散发ED 为EM K C ED ⨯⨯=2．产流量计算据蓄满产流概念,参数为包气带张力水容量WM ，张力水蓄水容量曲线的方次B ，不透水面积的比值IM ，所用公式为)1/()1(IM B WM WM -+⨯=))/1(1()1/(1B W M W MM A +--=当0≤⨯-EM K P ，则R=0不然，则当MM A EM K P <+⨯-,B MM A EM K P W M W W M EM K P R ++⨯--⨯++-⨯-=1)/)(1(不然，则W WM EM K P R +-⨯-=式中 R ——产流量；MM ——流域最大点蓄水容量。

3．分水源计算分三种水源，即地面径流RS 、地下径流RG 和壤中流RI 。

参数为表层土自由水蓄水容量SM ，表层自由水蓄水容量曲线的方次EX ，表层自由水蓄量对地下水的出流系数KG 及对壤中流的出流系数KI,所用公式为SM EX MS ⨯+=)1())/1(1()1/(1EX SM S MS AU +--⨯=)/())((EM K P EM K P IM R FR ⨯-⨯-⨯-=FR KG S RG ⨯⨯=FR KI S RI ⨯⨯=当 0,0=≤⨯-RS EM K P不然，当MS AU EM K P <+⨯-，则FR MS AU EM K P SM S SM EM K P RS EX ⨯+⨯--⨯++-⨯-=+))/)(1((1当MS AU EM K P ≥+⨯-，则FR SM S EM K P RS ⨯-+⨯-=)(4．汇流计算地下径流用线性水库模拟，其消退系数为CG ，出流进入河网。

网格化分布式新安江模型并行计算算法

网格化分布式新安江模型并行计算算法随着计算机技术的发展和应用需求的增加，分布式计算系统在实践中得到了广泛的运用。

如何利用分布式计算系统高效地实现对新安江模型进行计算是当前研究的热点之一。

本文将介绍一种基于网格化分布式计算的新安江模型并行计算算法，该算法通过合理的任务划分和数据通信机制的设计，实现对新安江模型的快速计算。

一、引言新安江模型是一种经典的水文模型，用于模拟和预测河流的径流过程。

在实际应用中，对于大规模的河流系统，传统的串行计算方法往往效率低下，无法满足实时性和精度要求。

将新安江模型应用于分布式计算系统中，将大大提高计算效率。

二、算法设计1. 网格化分布式计算架构为了将新安江模型应用于分布式计算系统中，首先需要设计合适的计算架构。

本文采用网格化架构，将计算区域划分成均匀的网格单元，并将每个网格单元分配到不同的计算节点上。

这样可以实现对于不同区域的并行计算，提高整体计算效率。

2. 任务划分在网格化架构中，需要将整个计算过程划分成多个子任务，分配给不同的计算节点进行并行计算。

任务划分的关键是合理划定每个子任务的计算区域，以及确定子任务之间的数据依赖关系。

本文采用均匀划分的策略，将整个计算区域平均分配给不同的计算节点，并通过数据通信机制进行数据交换和同步。

3. 数据通信在并行计算过程中，不同计算节点之间需要进行数据通信，以实现数据的交换和共享。

本文采用消息传递机制，通过发送和接收消息来完成节点之间的数据通信。

每个计算节点计算完成后，将计算结果发送给相邻的节点，接收相邻节点的计算结果后进行数据合并，并进行下一轮的计算。

三、实验与结果分析为了验证所提出的算法设计的有效性，本文进行了一系列的实验。

实验结果表明，网格化分布式新安江模型并行计算算法在不同规模的计算任务中都具有较好的计算效率和可扩展性。

并且，随着计算节点数量的增加，算法的计算时间近似线性减小，说明算法能够充分利用分布式计算系统的计算资源。

基于人工神经网络的降雨径流模拟研究

ａｄｅｆｃｉｅＩａｓｅｎｔｔｓｈｔｈｎｆｔ．ｔｌｏｄｍｏｓａｅａｅｅｖｒｔｔＡＮＮｒｍｉｉｇｔｏｒｓｌｔｇｖｒｕｙｒｌｇｃｐｏｅｓｓｉａｐｏｓｎｌｉａｉａｉｓｈｄｏｏｉｒｃｓｅ．ｓｏｆｏｍｕｎｏ
的日资料进行径流模拟。并对该模型在径流模拟，的方法和难点问题进行分析和探讨。改进的ＢＰ模型模拟的结果与三水源新安江模＋ｌ
型的模拟结果相比较，抓．改进的ＢＰ模型应用于水文模拟的可行性。研究结粜表明，改进的ＢＰ模型用于水文模拟是可行的。
ｎｕａｎｔｏｋｄｌｉｐｏｏｅｎｔｉｐｐｒｔｉｔｅｊｉｔｏｄｉｏａｍｏｅｔｍｌｏｉｍｎｅｒｌｅｗｒｓｍｏｅｓｒｐｓｄｉｈｓａｅ．Ｉｓｈｏｎｓｆａｄｔｎｌｍｎｕａｒｈａｄｉｇｔ
ｓｌａａｔｅｌａｎｎａｅａｇｒｔｍ．ｐｏｃｅｎｅｅｈｏｏｉｓｗｈｎａｐｙｎｈｍｐｏｅｄｌｉｅｆｄｐｉｅｒｉｇｒｔｌｏｉ－ｖｈＡｐｒａｈｓａｍｏｅｎ
文章编号：１０ —５２２０） —９０００８０６（０７００４ — ６４
基于人工神经网络的降雨径流模拟研究
鞠琴，郝振纯，余钟波，朱长军，刘德东
（河海大学水文水资源与水利工程科学国家重点实验室，江苏南京２０９）１０８

三种神经网络在洪水预报中应用的比较

，，
（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｔｒｓａｎｄＳｃｉｅｎｃｅ，Ｄａｚｈｏｕ６３５０００，Ｃｈｉｎａ）（ＭｏｄｅｍＥｄｕｃａｔｉｏｎａｌＴｅｃｈｎｏｌｏｇｙＣｅｎｔｅｒ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｙｔｏｆＡｒｔｓａｎｄＳｃｉｅｎｃｅ，Ｄａｚｈｏｕ６３５０００，Ｃｈｉｎａ）
１引言
洪水预报是水文资源学科中的重要分支，依据水文河观测站监查暴雨或上游的洪水，经过水情信息的采集、传输、处理等复杂的科学运算，最终准确预报在流域的出口处或下游的水文观测站实际洪水的过程，帮助水利部门有效地管理水资源，降低洪水带来的风
２０１３年第２２卷第ｌ２期
ｈｔｔｐ：／／ｗｗｗ．ｃ－Ｓ－ａ．ｏｒｇ．ｃｎ
计算机系统应用
三种神经网络在洪水预报中应用的比较①
侯翔，汤元斌，刘笃晋，江芝蒙
。（ｇｑ川文理学院计算机科学系，达州６３５０００）（ｇｑ川文理学院现代教育技术中心，达州６３５０００）
摘
要：本文以四川省达州市州河流域的洪水为研究对象，分别采用标准ＢＰ算法、ＬｅｖｅｎｂｅｇＭａｒｑｕａｒｔ算法和

新安江水文模型简介

《流域水文模拟》结课报告新安江模型的原理、结构及应用、发展历程The principle, structure, application and development process of Xin anjiang Model作者姓名：孔旭学科、专业：水文学及水资源学号：21506149指导教师：王国利完成日期：2016年8月30日大连理工大学Dalian University of Technology摘要新安江模型是河海大学提出的一个概念性降雨径流模型，具有原创性，是我国为数不多的被国际上广泛认可的水文模型。

新安江水文模型在我国湿润与半湿润地区广为应用，取得了良好的效果。

经过近50年的发展，新安江模型已经从最初的专门从事水库入库洪水预报的单一功能模型发展为适合用于水文预报、水资源管理、水土资源评价、面源污染预测、气候变化和人类活动影响研究的多功能的水文模型；其部分参数已从靠经验率定发展为可以进行物理推求。

总之，新安江模型是一个不断发展的模型体系。

本文主要由三部分构成。

第一部分为新安江模型简介，回顾了新安江模型产生的历史背景和发展历程，介绍了新安江模型的基本原理和结构体系；第二部分讲述了新安江模型参数的物理意义及其率定；第三部分为新安江水文模型在英那河流域防洪规划编制当中的应用。

关键词：水文模型；新安江模型；洪水预报The principle, structure, application and development process of Xinanjiang ModelAbstractXin anjiang Model originally proposed by Hehai University is a conceptual rainfall runoff model and is also one of the few widely recognized international hydrological model in China. Xin anjiang hydrological model was widely used in our humid and semi-humid areas, and achieved good results.After nearly 50 years study, Xin anjiang model has been developed from the single-function of reservoir flood forecasting into multi-purpose model including hydrological forecasting, water resources management, water and soil resources evaluation, non-point source pollution prediction, climate change and human activities versatile hydrological model studies. And part of its parameters can be acquired through physical calculation instead of experience. In short, Xin anjiang model is an evolving model system.This paper consists of three parts. The first part is about the brief introduction of Xin anjiang model, which recalls the historical background and the development, as well as introduces the basic principles and architecture; the second part describes the physical meaning of Xin anjiang model parameters and calibration; the third part is about the application of Xin anjiang model in Ying Na River Basin flood control planning.Key Words: hydrological model; Xin anjiang model; Flood forecasting目录摘要 .............................................................. I Abstract .. (II)引言 (1)1 新安江模型简介 (2)1.1 新安江模型起源 ............................... 错误!未定义书签。

第二章新安江模型

2.3 模型计算
1、蒸散发计算蒸散发计算采用三层模型，蒸散发计算采用三层模型，其参数有上层张力水蓄水容量 UM， LM， DM， UM，下层张力水蓄水容量 LM，深层张力水蓄水容量 DM，流域平 WM， KC，深层蒸散发系数C 均张力水蓄水容量 WM，蒸散发折算系数 KC，深层蒸散发系数C，计算公式为：计算公式为： WM=UM+LM+DM W=WU+WL+WD E=EU+EL+ED 上层 (Upper layer) 下层 (Lower layer) 深层 (Deep layer)
（2）三水源三水源的水源划分结构应用了山坡水文学的概念，去掉了FC FC，坡水文学的概念，去掉了FC，用自由水蓄水库结构解决水源划分问题。水蓄水库结构解决水源划分问题。
自由水蓄水库结构考虑了包气带的垂向调蓄作用。自由水蓄水库结构考虑了包气带的垂向调蓄作用。按蓄满先进入自由水蓄水库调蓄，产流模型计算出的总径流量 R，先进入自由水蓄水库调蓄，再划分水源。从图可见，划分水源。从图可见，产流面积上自由水蓄水库设置了两个出一个为旁侧出口，形成壤中流RI 另一个为向下出口， RI；口，一个为旁侧出口，形成壤中流RI；另一个为向下出口，形成地下径流RG RG。成地下径流RG。
对总径流积分：对总径流积分：
R=
P−E+ A
∫
A
f ' dW = F
P−E+ A
∫
A
W' B [1− (1− ) ]dW' WMM
P−E+ A<W M M
A 1+B P − E + A 1+B R = P − E −WM[(1− ) −(1− ) ] WMM WMM

新安江模型的应用

新安江模型的应用张利茹河海大学水文水资源学院，南京（210098）摘要：新安江降雨径流模型应用在梁辉水库上，采用2002年至2006年五年的降雨和蒸发资料对该流域进行日模和次模的模拟，得出的结果还比较满意。

为了找出新安江模型的敏感性参数，本文在其他研究人员的基础上，选出公认的比较敏感的参数，把它们的值分别变成初始值的80%、90%和110%（CG除外）后进行模拟计算，得出的结果证实了学者们的说法。

关键词：新安江模型，梁辉水库，敏感性分析1. 新安江模型简介新安江模型始建于1973年，采用蓄满产流的概念，以土壤含水量达到田间持水量后才产流，是个分布式的概念性模型，30多年来在我国湿润与半湿润地区有广泛应用，并发展改进为三水源的以及其他多水源的模型【1】。

几十年来，很多专家和学者都致力于新安江模型的应用和发展上，发表了数以百计篇文章(像赵仁俊，1992；程等人，2002)，但很少有用一个实际例子来研究新安江模型参数的敏感性问题的，实际上，新安江模型参数的命感性分析会有助于该模型的更广泛的应用，例如，对于无资料的地区或是资料不全的地区，参数的敏感性分析将显得更加有用。

2. 新安江模型结构新安江模型是分散性的模型，常按泰森多边形法把全流域分成许多单元流域，产流部分采用蓄满产流模型，另增加了流域不透水面积占全流域面积之比的参数IMP。

蒸发部分采用三水源蒸散发模式。

河道洪水演算采用马斯京根法。

地面径流的汇流采用经验单位线，并假定每个单元流域上的无因次单位线相同，简化结构。

地下径流的汇流采用线性水库。

对每一个单元流域作汇流计算，求得单元流域出口流量过程。

再进行出口以下的河道洪水演算，得出流域出口的流量过程。

把每个单元流域的出流过程相加，就求得了流域出口的总出流过程[2]。

新安江模型流程图如图1。

基于概念型降雨径流蓄满产流的新安江模型，其参数可大致划分为四种类型，如下述：（1）蒸散发。

此部分的参数包括K、C、WUM、WLM。

6 新安江模型.

13.47
0
11.96
0
1.51
0
120.00
117.21
2018/12/13
15
尤其半湿润地区需要考虑
IMP:不透水面积参数（新安江模型新增参数），流域不透水 8）式，其它都不变。
WWMM (6 5) WM (1 IMP ) 1 B (6 - 8) P - E FC时 R RG FC IMP P - E RS R RG
2018/12/13
9
（2）超蓄产流模型的结构 a）点模型以含气层缺水量为控制条件，就流域中某点而言：
蓄满前: P E WW2 WW1 蓄满后: P E R 式中: P : 时段降雨量 E : 时段蒸散发量 R : 时段产流量
(6 - 1)
WW1 , WW2 : 时段初末的土壤含水量
EL C ( EP EU ) ，ED 0
WL C WLM
若
且 WL C ( EP EU ) ，则
EL WL ， ED C ( EP EU ) WL
2018/12/13
24
If w(1) + p(i) > ep(i) Then e(1) = ep(i) e(2) = 0 e(3) = 0 Else e(1) = w(1) + p(i) e(2) = (ep(i) - e(1)) * w(2) / wm(2) If w(2) <= c * wm(2) Then e(2) = c * (ep(i) - e(1)) e(3) = 0 If w(2) >= c * (ep(i) - e(1)) Then e(2) = c * (ep(i) - e(1)) e(3) = 0 Else e(2) = w(2) e(3) = c * (ep(i) - e(1) - e(2)) End If End If End If w(1) = w(1) + p(i) - r - e(1) w(2) = w(2) - e(2) w(3) = w(3) - e(3) If w(1) > wm(1) Then w(2) = w(1) - wm(1) + w(2) w(1) = wm(1) If w(2) > wm(2) Then w(3) = w(3) + w(2) - wm(2) w(2) = wm(2) End If End If

基于人工神经网络的污水处理模型研究

基于人工神经网络的污水处理模型研究人工神经网络(ANN)是一种模仿人类大脑神经网络的人工智能技术，它可以解决大量的非线性问题，包括非线性回归、分类、预测等。

污水处理是一个具有挑战性的问题，它需要提供高质量的水源以支持人类和生态系统的生存和发展。

本文将探讨利用人工神经网络构建污水处理模型的研究。

1. 污水处理概述污水处理是一种将废水去除杂质、净化水质的过程。

传统的污水处理方法包括初步处理、生物处理、化学处理和物理处理等步骤。

初步处理包括格栅、砂池、沉淀池等，可以去除大的固体颗粒和杂质。

生物处理是通过微生物将废水中的有机污染物转化为无机盐和气体，通常采用活性污泥系统、厌氧消化等。

化学处理和物理处理包括氯化消毒、膜分离、吸附等，可以去除营养盐和微生物。

2. 人工神经网络人工神经网络由多个人工神经元组成，可以在学习和训练过程中建立输入和输出之间的链接。

人工神经网络通常分为前向式、反馈式、自组织式和卷积式等几种结构。

前向神经网络是最常见的神经网络结构，由若干层神经元组成，每一层之间都有全连接，多层网络可以提高其性能。

3. 基于人工神经网络的污水处理模型利用人工神经网络构建污水处理模型可以有效地减少污水处理过程中的测量和分析的次数，提高污水处理的效率和精度。

通常，需要将污水处理过程中的多个参数输入神经网络进行学习和训练，以获得一个可以预测处理效果的模型。

3.1 输入参数污水处理的输入参数通常包括进水流量、进水COD浓度、氨氮浓度、温度、PH值等。

这些参数可以传感器和监测设备实时监测和采集，作为模型的输入。

3.2 输出参数污水处理的输出参数通常为出水COD浓度、氨氮浓度、总磷浓度、PH值等。

这些参数需要通过实验室分析或在线监测设备进行实时监测和采集。

3.3 训练过程学习和训练过程中需要采用神经网络的优化算法来不断调整神经元之间的权重，直到达到一个最优解。

通常采用误差反向传播算法来调整权重和偏置。

4. 应用案例利用人工神经网络构建污水处理模型已经有很多成功的应用案例。

新安江流域水文模型资料

第二章新安江流域水文模型60年代初，河海大学(原华东水利学院)水文系赵人授等开始研究蓄满产流模型，配合一定的汇流计算，将模型应用于水文预报和水文设计。

1973年，他们在对新安江水库做人库流量预报的工作中，把他们的经验归纳成一个完整的降雨径流流域模型——新安江模型。

模型可用于湿润地区和半湿润地区的湿润季节径流模拟和计算。

最初的新安江模型为两水源模型，只能模拟地表径流和地下径流。

80年代初期，模型研制者将萨克拉门托模型与水箱模型中，用线性水库函数划分水源的概念引入新安江模型，提出了三水源新安江模型，模型可以模拟地面径流、壤中流、地下径流。

1984至1986年，又提出了四水源新安江模型，可以模拟地面径流、壤中流、快速地下径流和慢速地下径流。

三水源新安江模型一般应用效果较好，但模拟地下水丰富地区的日径流过程精度不够理想。

在新安江三模型中增加慢速地下水结构就成为四水源新安江模型。

当流域面积较小时，新安江模型采用集总模型，当面积较大时，采用分块模型。

分块模型把流域分成许多块单元流域，对每个单元流域做产、汇计算，得到单元流域的出口流量过程。

再进行出口以下的河道洪水演算，求得流域出口的流量过程。

把每个单元流域的出流过程相加，就求得了流域出口的总出流过程。

划分单元流域的主要目的是处理降雨分布的不均匀性，因此单元流域应当大小适当，使得每块面积上的降雨分布比较均匀．并有一定数目的雨量站。

其次尽可能使单元流域与自然流域相一致，以便于分析与处理问题，并便于利用已有的小流域水文资料。

如果流域内有大中型水库，则水库以上的集水面积即应作为一个单元流域。

因为各单元流域的产汇、流计算方法基本相同，以下只讨论一个单元流域的情况。

2.1新安江两水源模型1．模型结构和参数新安江两水源模型的产流子模型采用蓄满产流模型，蒸发计算采用三层蒸发计算模型。

利用稳定下渗率FC将径流划分为地面径流和地下径流两种水源。

地面径流采用单位线汇流，地下径流采用一次线性水库汇流。

211010139_基于长短时记忆神经网络的水库洪水预报

图 B"LKZW 网络结构
图 $ 展示了一个 1F>I 记忆单元的典型结构# 在 W时刻"记忆单元的输入包括前一时刻的隐藏层状态变量$记忆单元状态变量和当前时刻的输入信息!然后模型依次通过遗忘门$输入门$输出门和这 - 个控制机制得到 W时刻的隐藏层状态变量和记忆单元状态变量!最终会传入输出层生成 1F>I 在 W
GWj* G/% <W2$ "5W& kG+
*$+
式中 ! G,,,遗忘门的权重向量! G,,,遗忘门的
偏置向量"在神经网络训练中这些矩阵或向
量将被优化!,,,F:R([:< 激活函数#
下一步"计算输入门 ,W# ,W将决定从新获取的
信息中选择多少用以更新状态# ,W的计算公式如下'
基于长短时记忆神经网络的水库洪水预报
罗朝林#张!波#孟庆魁#陈武奋
珠江水利委员会珠江水利科学研究院广东!广州!%$#3$$
摘要&精准的洪水预报是做好防洪排涝工作的重要手段之一#而长短时记忆神经网络! =[8RT94[N5T5;N( (;([Nc 8;PN*=8;5M[N'#1F>I" 具有很强的时间序列关系拟合能力#非常适用于模拟及预报流域产汇流这一复杂的时间序列过程) 为探究 1F>I在水库洪水预报领域的适用性#在白盆珠流域针对不同预见期建立 1F>I模型#并与新安江模型进行对比) 1F>I模型采用流域降雨及水位数据作为输入#不同预见期的水库水位过程作为输出#率定期为 % 年#验证期为 $ 年) 结果表明&1F>I在预见期为 $ z3 4 时都具有较高的预报精度#在预见期为 $ 4 时预报精度最高#达到 #&BB$#随着预见期增长#模型精度逐渐降低#但其预报精度均高于新安江模型) 预见期以及隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度#也会影响模型训练速度) 结果证明了基于长短时记忆神经网络模型具有较高的预报精度#对水库洪水预报具有指导意义) 关键词洪水预报,长短时记忆神经网络,预见期,训练速度,白盆珠水库中图分类号>G$)->?3BA&$-!!文献标识码K!!文章编号$##$TB"-%"#""$"T#$")T#A

BP

第３５卷第５期
２０１５年１０月
水
文
Ｖｏｌ－３５Ｎｏ．５Ｏｃｔ．。２０１５
ＪＯＵＲＮＡＬＯＦＣＨＩＮＡＨＹＤＲＯＬ流域径流模拟中的应用
何映颖，陈晓宏，一，张云，一，丁华龙，２
多缺乏实测径流资料，该类地区主要依靠降水径流模拟来满足水利工程规划设计和水资源综合管理的要求。为了模拟降水推求径流的过程，通常使用径流系数和水文模型等方法，但很难兼顾操作简便与结果精
１引言
流域降水量与径流量之间关系密切，降水径流形
成过程通常是复杂且高度非线性化的，兼具时间与空
径流模拟的研究方面做了大量的工作，使其日趋成熟
和丰富。蔡煜东等（１９９５）较早将ＢＰ人工神经网络引入径流的模拟领域．并将其应用于大伙房水库入库径
比分析。研究表明：ＢＰ人工神经网络使用简便，变化趋势预测准确，在降水径流模拟方面优势明显，全年
确定性系数为０．９１，高于径流系数法所得０．８５，与新安江模型的０．９２、ＨＳＰＦ的０．９６相当，具有良好的应用前景。其汛期的模拟效果优于非汛期，但模拟结果相对偏大，存在一定的改进和提高空间。

前馈神经网络(FFNN)和自适应神经网络模糊推理系统(ANFIS)模型评价地下水位的对比研究

FFNN）和自适应神经网络模糊推理系统（ANFIS）模型评价地下水位的对比研究[印度]P. D. Sreekanth，P. D. Sreedevi，Shakeel Ahmed，N. Geethanjali田芳译；冯翠娥、段琦校译当水均衡呈持续负值时，水位预测成为地下水规划和管理的一项重要任务。

在位于安德拉邦Ranga Reddy区的Maheshwaram流域，地下水过量开采，管理地下水资源需要完全了解地下水流动态特征。

然而，地下水流动态特征由于人类和气候影响不断发生变化，且地下水系统十分复杂，包括多种非线性和不确定因素。

人工神经网络模型作为一个有力的、灵活的统计建模技术被引入到地下水科学中以处理复杂的模式认识问题。

本次研究给出了两种模型的对比，即基于Levenberg-Marquardt（LM）算法的前馈神经网络（FFNN）与模糊逻辑自适应模糊推理系统（ANFIS）模型在评价Maheshwaram流域的地下水位中的准确性的对比。

用于分析的统计指标包括均方根误差（RMSE），回归系数（R2）和误差变异（EV）。

结果显示，FFNN-LM和ANFIS模型对于评价上述地区的地下水位均具有较好的准确性（RMSE分别为4.45和4.94，R2都为93%）。

1 引言地下水是半干旱地区尤其是基岩地区一切生物不可缺少的资源。

在很多地区，地表水资源匮乏，部分地区甚至没有地表水。

近三十年来，为了满足农业和工业部门的需求，地下水过量开采。

大范围的开凿深井导致印度部分地区尤其是基岩地区地下水位显著下降。

本次研究的目的是应用两种适当的模拟方法评价现有含水层系统的地下水动态，并进行对比。

近期，软计算工具,例如人工神经网络（ANNs）和模糊逻辑被广泛应用于各种科技领域进行预测研究（Gail等，2002）。

ANN是具有有限变量的通用模型，作为通用的函数近似解（Hornik等，1989）。

与传统方法相比，它能够预测一些非线性时间序列事件（Guan等，2004；Hill等，1996；Tang和Fishwick，1993；Zhang，2003；French等，1992）。

基于多种水文模型结构改进新安江模型

基于多种水文模型结构改进新安江模型章丽萍;蒋晓蕾;程娜;赫淑杰;付晓雷;胡乐怡【期刊名称】《灌溉排水学报》【年(卷),期】2024(43)2【摘要】【目的】针对水文模型结构的不足提出改进方法。

【方法】选择新安江模型、GR4J(mode′le du Ge′nie Rural a′4parame′tres Journalier)模型以及HYMOD模型在淮河流域进行应用对比分析,并基于GR4J模型与HYMOD模型的汇流结构对新安江模型进行改进,提出2种改进模型方法。

【结果】(1)3种概念性水文模型在淮河王家坝流域均具有较好的适用性,其中新安江模型效果最好,但该模型在大流量模拟时存在低估现象;(2)M2模型(HYMOD模型汇流结构下的新安江模型)与新安江模型的模拟结果相近,大流量的模拟同样偏小,改进效果不明显;(3)M1模型(GR4J模型汇流结构下的新安江模型)模拟效果最佳,可以有效改善新安江模型对大流量的模拟效果,改进效果显著。

【结论】M1模型可以有效改善新安江模型模拟径流时出现流量以及洪峰流量的低估现象,在研究流域内具有一定的应用价值。

【总页数】7页(P78-84)【作者】章丽萍;蒋晓蕾;程娜;赫淑杰;付晓雷;胡乐怡【作者单位】扬州大学水利科学与工程学院;水利部水文气象灾害机理与预警重点实验室、南京信息工程大学;山东省防汛抗旱物资储备中心【正文语种】中文【中图分类】TV11【相关文献】1.改进新安江模型在资料缺乏流域的水文预报方法研究2.基于新安江模型的螺岭桥水文站洪水预报研究3.基于新安江模型的闽清水文站洪水预报4.基于新安江改进模型和NAM模型的通县站洪水预报研究5.新安江模型和改进BP神经网络模型在闽江水文预报中的应用因版权原因，仅展示原文概要，查看原文内容请购买。

基于长短时记忆神经网络的水库洪水预报

基于长短时记忆神经网络的水库洪水预报罗朝林;张波;孟庆魁;陈武奋【期刊名称】《人民珠江》【年(卷),期】2022(43)12【摘要】精准的洪水预报是做好防洪排涝工作的重要手段之一,而长短时记忆神经网络(long-short-term memory neural network,LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。

为探究LSTM在水库洪水预报领域的适用性,在白盆珠流域针对不同预见期建立LSTM模型,并与新安江模型进行对比。

LSTM模型采用流域降雨及水位数据作为输入,不同预见期的水库水位过程作为输出,率定期为5年,验证期为1年。

结果表明:LSTM在预见期为1~6 h时都具有较高的预报精度,在预见期为1 h时预报精度最高,达到0.991,随着预见期增长,模型精度逐渐降低,但其预报精度均高于新安江模型。

预见期以及隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。

结果证明了基于长短时记忆神经网络模型具有较高的预报精度,对水库洪水预报具有指导意义。

【总页数】7页(P128-134)【作者】罗朝林;张波;孟庆魁;陈武奋【作者单位】珠江水利委员会珠江水利科学研究院【正文语种】中文【中图分类】TP183;TV697.13【相关文献】1.基于BP神经网络和遗传算法的丰满水库洪水预报模型研究2.基于BP神经网络的尼尔基水库短期洪水预报研究3.集合降雨预报驱动洪水预报模型的铁甲水库洪水预报研究4.加强水库科学精准洪水预报确保水库水电站运行安全——2020年白莲河水库洪水预报调度服务及思考5.基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报因版权原因，仅展示原文概要，查看原文内容请购买。

三种水文模型比较

三种水文模型的比较新安江模型是一个概念性水文模型，新安江水文模型在我国已经应用多年，且效果显著，随着水文学和信息技术的不断发展，萨克拉门托（SAC）模型、TOPMODEL模型也逐渐在我国得到应用。

本文主要从产流机制、适用范围、参数以及汇流过程对三种水文模型进行了对比和总结。

下面结合表格从几方面来具体说明三个模型的相同点和不同点。

从产汇流原理及计算模式来说，新安江模型在每个子流域先进行蒸散发和产流计算，计算出子流域总产流量后通过自由水蓄水库结构进行三水源划分，对已经划分好的三种水源（地表径流、壤中流、地下水径流）分别按照各自的退水规律进行汇流计算（比如采用线性水库），得到子流域出口流量过程，对子流域出口的流量过程进行出口以下的河道汇流计算（比如马斯京根法）得到子流域在全流域出口的流量过程，然后将每块单元流域在全流域出口的流量过程同时刻线性叠加，即得到全流域出口总的流量过程，因此综合来看，是一个总—分—总的计算模式。

SAC模型中流域被划分为透水、不透水及变动不透水面积三部分，透水面积为主体；在透水面积上，根据土壤垂向分布不均土层分为上下两层；根据水分受力特征，上下土层蓄水量分为张力水蓄量和自由水蓄量，自由水可以补充张力水，但张力水不能补充自由水，上下土层通过下渗曲线连接，下渗计算是整个模型的核心。

径流来源于永久不透水面积和可变不透水面积上的直接径流，透水面积和可变不透水面积上的地面径流，透水面积上的壤中流、浅层与深层地下水。

汇流计算分为坡面汇流和河网汇流两部分，计算出的直接径流和地面径流直接进入河网，而壤中流、快速地下水和慢速地下水可用线性水库模拟。

各种水源的总和扣除时段内的水面蒸发4E ，即得河网总入流。

河网汇流一般采用无因次单位线。

总的来看是一个分—总的过程。

新安江模型在每个子流域先进行蒸散发和产流计算，计算出子流域总产流量后通过自由水蓄水库结构进行三水源划分，对已经划分好的三种水源（地表径流、壤中流、地下水径流）分别按照各自的退水规律进行汇流计算（比如采用线性水库），得到子流域出口流量过程，对子流域出口的流量过程进行出口以下的河道汇流计算（比如马斯京根法）得到子流域在全流域出口的流量过程，然后将每块单元流域在全流域出口的流量过程同时刻线性叠加，即得到全流域出口总的流量过程，因此综合来看，是一个总—分—总的计算模式。

若干水文预报方法综述

第25卷第1期水利水电科技进展2005年2月V ol.25N o.1Advances in Science and T echnology of Water Res ources Feb.2005　作者简介:王文(1967—),男,江苏姜堰人,副教授,博士,从事GIS 与遥感应用及水文时间序列分析研究.若干水文预报方法综述王　文1,马　骏2(1.河海大学水资源环境学院,江苏南京　210098;2.黄河水利委员会水文局,河南郑州　450004)摘要:将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.关键词:河流流量;水文预报;水文模型;过程驱动模型;数据驱动模型中图分类号:P338 文献标识码:A 文章编号:1006Ο7647(2005)01Ο0056Ο05R eview on some methods for hydrological forecasting//W ANG Wen 1,M A Jun 2(1.College o f Water Resources and Environment ,Hohai Univ.,Nanjing 210098,China ;2.Hydrology Bureau o f Yellow River Conservancy Commission ,Zhengzhou 450004,China )Abstract :The current methods for hydrological forecasting are divided into tw o classes ,i.e.the process 2driven m odel and the data 2driven m odel.The process 2driven m odel is based on the conception of hydrology ,with which the discharge forecasting can be per formed by simulation of the runoff variation and river channel ev olution.The advances of process 2driven m odels in medium 2and long 2term forecasting mainly concentrate on the m odification of the precipitation and runoff m odels of river basins ,s o that the m odels can meet the requirement of the medium 2and long 2term forecasting.While ,the data 2driven m odel ,without requirement of the analysis of the physical mechanics ,is fundamentally a black 2box m odel with an objective of identification of the optimal mathematical relationship between inputs and outputs.Am ong all the data 2driven m odels ,the linear regression m odel is the m ost comm only used.Owing to the introduction of s ome new forecasting methods into hydrological forecasting ,such as the artificial neural netw ork m odel ,the nonlinear time 2series analysis m odel ,the fuzzy mathematic m odel ,the grey system m odel ,and s o on ,and the im provement of the capability of data acquisition and calculation ,the data 2driven m odel has drawn wide attentions in hydrological forecasting.K ey w ords :river flow rate ;hydrological forecasting ;hydrological m odel ;process 2driven m odel ;data 2driven m odel 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.水文预报方法很多,可以粗略地分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的数学模型.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来新的预测手段得到很快发展,如神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等,同时,水文数据的获取能力及计算能力得到飞速发展,因此,数据驱动模型在水文预报中得到越来越广泛的关注和应用.1　过程驱动模型过程驱动模型大致可以分为两类,一类是模拟以地下水或其他慢反应水源为主要径流来源的枯季径流退水模型;另一类是应用范围更广,可用于具有不同径流来源的流量过程的概念性流域降雨径流模型.1.1　枯季径流退水模型自然流域的枯季径流退水过程可以通过退水曲线反映出来.枯季径流退水曲线法应用枯季径流的退水规律来预报枯季径流总量和径流过程,如Mishra 等建立退水模型进行青尼罗河的枯季退水径流预报[1].推求退水曲线表达式的方法有多种,但由于不同时期的退水特性有很大差异,退水曲线的定量表达缺乏一致性,这就限制了退水曲线法的应用[2].此外,用退水曲线法只能预报无显著降水情况下的径流消退过程,如果预见期内的降水对径流过程有明显影响,则该方法不适用.1.2　概念性流域降雨径流模型概念性流域降雨径流模型是将一些有物理依据的公式与经验性的公式结合起来,描述降雨径流的转换过程及径流的河道演进过程的数学模型.概念性模型被广泛应用于实时或短期预报,其输入、输出量的时间单位一般是小时或日.在应用于中长期预报时,其输入、输出量的时间单位相应有所改变(比如由小时、日变为旬、月).由于降水输入是降雨径流模型必不可少的输入量,因此将其应用于中长期预报时,一般要与降水预报相结合.如由欧洲多国共同开发的欧洲洪水预报系统(EFFS)根据欧洲中期气象预报中心(EC MWF)的逐日降水预报结果,采用多个概念性模型进行未来10d的逐日流量概率预报[3];Tucci等将大气环流模型预报的降水数据输入到一个分布式水文模型中,预报未来若干月的流量[4].也有以历史降水资料作为模型输入的,如加拿大哥伦比亚河Mica工程在过去20多年中使用一个半分布式水文模型(UBC模型),以流域当前状态(如积雪及土壤湿度状况等)为基础,根据历史降水数据进行1～8月份的日流量预报,并聚合而成月流量预报[5].当概念性模型应用于较大时间尺度的流量过程预报时,模型的结构也可能需要做适当调整.新安江模型[6,7]、水箱模型[8]、H BV模型[9]等都被不同研究者经过适当的结构改进后用于月径流量预报.比如,刘新仁[6]提出了可以适应不同时间尺度的系列化水文模型,在将新安江月模型应用于月尺度的预报时,可以只考虑两种水源即快速响应水源(地表径流与壤中流)及慢响应水源(地下径流),相应地在划分水源的模型参数上,不再需要自由蓄水库向壤中流和地下径流的排水系数及壤中流的调蓄系数.也有部分研究者提出以中长期预报为主要目的的水文模型,例如王国庆等[10]建立了一个大尺度融雪径流模型,用于月径流量预报;M ohseni等[11]提出了一个基于水量平衡原理的集总式概念性模型进行月径流量的模拟和预报.2　数据驱动模型2.1　回归分析模型回归分析是流量中长期预报中应用最早、最广的方法之一,其应用于径流预报的历史可以追溯到早期的降雨径流相关图方法,20世纪60年代以后随计算机技术的发展而迅速普及,并且,主成分分析等技术被引入到回归分析之中[12],以提高预报精度.回归分析至今仍是流量预报实际工作中的一种重要手段[13,14].回归模型的主要优点在于简单、易于实现.在根据影响因子与流量过程的相关关系进行中长期预报时,关键要解决好以下几方面的问题:①哪些指标与研究区域的中长期流量有显著的相关性?②所选定的指标在哪个时间尺度(如月或季)上与研究区域的哪个时间尺度的流量有最大的相关性?③这种相关关系的时距有多长?最常用的预报因子有预报站前期流量、上游站前期流量、集水流域降水量、土壤湿度、积雪量、气温等,还可以将一些对流量过程的长期变化规律起控制作用的影响因子作为预报因子,包括太阳辐射、太阳黑子数、地震场、地温场等地球物理量,海洋表面温度、E NS O指数等海洋物理量,气压高度场、大气环流指数等大气物理量.由于上述很多因子对流量的影响往往有几个月甚至更长的滞后时间才能反映出来,因此,考虑这些因子会有助于提高长期预报精度.这方面的研究成果很多,比如,有研究表明地震场[15]、地温场[16]与年流量均有较大相关性;许多研究成果表明E NS O事件与河流流量变化有关,这种关系可用于进行长期流量预报[17,18].2.2　时间序列模型时间序列分析是水文学研究的一个重要工具.在流量过程预报中用到的时间序列模型很多,按模型中包含的时间序列的数目,可以分两大类:单变量模型与多变量模型.单变量模型以自回归滑动平均(ARMA)模型及其衍生类型最常用.自回归(AR)模型是ARMA模型的一种特殊类型,在年、月径流量模拟和预报中使用较广,如卢华友[19]采用三阶自回归模型AR(3)对丹江口水库年径流进行预报.但ARMA模型是建立在时间序列平稳的假设之上的,而时间尺度小于年的流量序列(如月、旬流量)通常具有很强的季节性,并非平稳序列,因此直接使用ARMA模型一般不合适.模拟和预报这种季节性序列的模型主要有3种[20]:①用季节性ARI MA模型(简称为S ARI MA);②除季节性ARMA模型,即先除去原流量序列中的季节性均值与方差,再对除季节性序列拟合ARMA 模型;③周期ARMA模型(简称为PARMA),包括PAR模型.这3种模型在流量中长期预报中都很常用[21,22].近年来,河流流量过程的长记忆特性研究受到关注.具有长记忆特性的随机过程可以用分数阶差分自回归滑动平均(ARFI MA)模型较好地描述,如M ontanari等[23]用ARFI MA模型进行尼罗河阿斯旺月流量过程的模拟与预报;O oms等[24]将PARMA 模型与ARFI MA模型相结合,提出用周期长记忆模型(PARFI MA,Periodic ARFI MA)拟合月流量过程;王文[25]采用包括ARFI MA模型在内的多种时间序列模型进行黄河上游唐乃亥站未来10d的逐日平均流量预报.如果考虑外部输入因素的影响,可以构建多变量时间序列模型,最常用的是含外部变量的自回归滑动平均(ARMAX)模型或传递函数噪声(TFN)模型.例如,Awadallahl等[26]以不同海区的海温作为外部输入变量建立TFN模型,进行尼罗河夏季径流量的预报.由于考虑了外部影响因素,利用了更多的预报信息,TFN模型的预报精度一般高于单变量的ARI MA类模型的预报精度.例如,Thom pstone等[21]对1/4月流量过程建立了除季节性ARMA模型、周期自回归(PAR)模型、考虑降水与融雪输入的TFN 模型及一个概念性模型进行预报试验,结果表明TFN模型精度优于其他模型.如果流量过程显著受某种外部因素干扰而呈现异常波动,则可以采用干扰模型来模拟这种干扰,它可以看作是TFN模型的一种特殊类型.K uo等[27]在AR(1)模型的基础上,考虑台风因素的影响,建立干扰模型进行台湾淡水河的10d平均流量的预报和模拟.流量过程时间序列预报模型还可以根据模型是否具有线性结构分为线性模型与非线性模型.前面提到的ARMA,TFN等模型可以视为线性模型.近年来,水文系统的非线性研究越来越受到关注,相应地非线性模型的应用实例也增多.门限自回归模型(T AR)是中长期流量过程预报中常用的一种非线性时间序列模型[28].前面提到的很常用的PARMA及PAR模型实际上可以视为T AR模型的一种特殊类型,它们以季节为门限值,对不同季节分别建立线性模型.如果考虑外部因素的影响,T AR可以扩展为门限回归模型,因其可以描述为树形结构,也被部分研究者称为模型树模型,这种方法有应用于实时降雨径流预报的实例[29],在中长期预报中也会很有应用价值.2.3　神经网络模型人工神经网络(ANN)具有良好的非线性映射能力,而且,ANN模型构建方便,对数据的适应性很好,因而ANN可以说是近10多年来最广为关注的一种非线性预报方法,已被广泛应用于实时中长期水文预报中.最常用于径流预报的ANN类型为采用误差后向传播(BP)算法的多层感知器(M LP)神经网络(也被称为BP网络),广泛应用于年、月径流量或平均流量的预报.Birikundavyi等[30]用M LP网络进行未来1～7d的流量预报;Z ealand等[31]采用M LP 网络进行未来1～4周的流量预报;Markus[32], Jain[33],K isi[34]等用M LP网络模型进行月流量预报研究.径向基函数(RBF)神经网络也被不少研究者用于月平均流量预报(如[25,35]).此外,为了更好地拟合流量过程的非线性特征,可以采用模块化神经网络进行流量过程的中长期预报[36,37].采用ANN模型进行预报时最重要的是确定哪些数据作为输入,应的网络结构.关于如何确定ANN输入变量,有两个问题需要考虑:一是当训练数据长度较短,无法覆盖序列的全部可能范围时,如何提高ANN对可能出现的极端情况的预报能力.为解决这一问题,Cigi2 zoglu[38]在用M LP模型进行月平均流量预报时,先用AR模型生成模拟序列,以此增加训练数据量,提高预报精度.二是在进行多步预报时,如何解决ANN 模型的气象输入数据.理想的选择是采用气象预报数据,如Birikundavyi等[30]采用预报的降水、气温数据进行未来1～7d的流量预报.但是有研究表明,由于气象预报精度的限制,采用气象预报数据对流量预报的精度提高是有限的[39],因此,也有研究者采用历史气象数据作为ANN模型的输入进行多步预报,如Z ealand等[31].2.4　模糊数学模型在水文领域应用模糊数学进行预测的方法有两类,一类是模糊模式识别预测法,另一类是模糊逻辑方法.模糊模式识别预测法的基本思路是:以对历史样本模式的模糊聚类为基础,计算待测状态的类别特征值,从而根据预报值与类别特征值之间的回归方程进行预报[40];或者比较直接的做法是,从历史样本中寻找与当前待测状态具有最小模糊距离或最大贴近度的那个状态,以此状态的下一时刻值作为预报值[41].就本质而言,模糊模式识别预测法与下文提到的近邻预报方法相似,主要差别在于近邻的选择方法不同,以及找到近邻状态(或者称贴近状态)后建立预报方程的方法有所不同.模糊逻辑方法可以描述变量之间不十分明确的因果关系.根据变量之间的模糊逻辑关系,可以建立模糊逻辑模型(或称为模糊专家系统)进行流量预报,例如Zhu[42],Mahabir等[43]采用模糊逻辑模型进行长期流量预报.2.5　灰色系统模型水资源系统可以当作灰色系统看待.最常用的描述灰色系统模型的数学模型为G M(1,1),G代表G rey(灰色),M代表M odel(模型),G M(1,1)指1阶、1个变量的线性常微分方程模型.它在径流预报、灾变预测中有不少应用实例.夏军[44]提出了用灰关联模式识别的方法进行中长期径流预测.此后有研究者将此类模型应用于年、月径流预测[45,46].216　其他数据驱动模型除了上述几种数据驱动模型,下述几类模型也有少量应用实例.a.Markov链.Markov链预测技术是根据随机过程的状态转移概率来预测其未来变化趋势.该方法可用于河川径流系列的年际变化,如水库年平均入库流量[47].b.均生函数模型.均生函数模型根据系统状态前后记忆的特性,由时间序列按不同的时间间隔计算均值,生成一组周期函数,即所谓均生函数,通过建立原序列与这组函数间的回归预报方程,利用均生函数的外延值,可以对原时间序列作多步预报.冯建英[48]利用均生函数模型对河西地区3条内陆河1992～1996年春季各月和总流量进行了预报.c.经验正交函数.经验正交函数(E OF)分析方法是长期天气预报和短期气候预测中应用较为广泛的一种方法,可以移用到河流流量预报中,如李杰友等[49]应用经验正交函数分析方法,以月平均500hPa,100hPa高度场及月平均海温场为预报因子,进行月径流预报.d.典型相关分析.典型相关分析是分析两组随机变量间线性密切程度的统计方法,在气象气候研究领域应用较多.Uv o等[50]根据太平洋和大西洋海温,采用典型相关分析方法预报南美洲东北部亚马逊河流域若干地点的季节径流量.e.近邻预报方法.其基本思想是,从历史样本中选择与当前待预报状态相近的一个或k个历史状态(比如历史流量序列片段),根据这一个或k个历史状态的下一时刻观测值预报当前待预报状态的下一步值.该方法最早在20世纪80年代应用于流量预报[59],近年来随着混沌时间序列研究的增温,近邻预报方法受到较多关注,在日、月流量预报中都有应用[51,52].3　结　语水文预报模型很多,可以粗略地将其分为过程驱动模型和数据驱动模型两大类.近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.参考文献:[1]M ishra A,Hata T,Abdelhadi A W,et al.Recession flow analy2sis of the Blue Nile River[J].Hydrol Process,2003,17:2825—2835.[2]T allaksen L M.A review of baseflow recession analysis[J].Journal of Hydrology,1995,165:349—370.[3]De R oo A P J,Bartholmes J,Bates P D,et al.Development of aEuropean Flood F orecasting System[J].Journal of River Basin Management,2003,1(1):49—59.[4]Tucci C E M,Clarke R T,C ollischonn W,et al.Long2term flowforecasts based on climate and hydrologic m odeling:Uruguay River basin[J].Water Res our Res,2003,39(7):SWC3Ο1ΟSWC3Ο11.[5]Druce D J.Insights from a history of seas onal in flow forecastingwith a conceptual hydrologic m odel[J].J Hydrol,2001,249: 102—112.[6]刘新仁.系列化水文模型研究[J].河海大学学报,1997,25(3):7—14.[7]郦建强.华北地区流域月降水径流模型比较研究[J].水科学进展,1998,9(3):282—288.[8]胡兴林,崔涛,王小玲,等.黄河上游唐乃亥站月、旬平均流量预报模型研究[J].水文,2000,20(3):24—26.[9]康尔泗,程国栋,蓝永超,等.概念性水文模型在出山径流预报中的应用[J].地球科学进展,2002,17(1):18—26.[10]王国庆,张建中,马吉让.融雪径流模型及其在黄河唐乃亥站的应用[J].西北水资源与水工程,1997,8(2): 60—64.[11]M ohseni O,S tefan H G.A m onthly stream flow m odel[J].Wa2ter Res ources Research,1998,34(5):1287—1298.[12]G aren D C.Im proved techniques in regression2based stream2flow v olume forecasting[J].J Water Res Plan Manage,1992, 118(6):654—670.[13]李杰友,熊学农,罗清标.新丰江水库月径流预报模型[J].河海大学学报,1998,26(5):104—106.[14]Mahabir C,Hicks F E,Fayek A R.Application of fuzzy logic toforecast seas onal runoff[J].Hydrol Process,2003,17:3749—3762.[15]汤懋苍,张建,杨良.江河丰枯与我国地震的相关分析[J].中国科学(B辑),1992(8):889—896.[16]蔡英,王冬梅.唐乃亥流量年变程分型与地温场的相关分析[J].高原气象,1996,15(4):472—477.[17]Piechota T C,Dracup J A.Long2range stream flow forecastingusing E l2Nino s outhern oscillation indicators[J].Journal ofHydrologic Engineering,1999,4(2):144—151.[18]王根绪,沈永平,刘时银.黄河源区降水与径流过程对E NS O事件的响应特征[J].冰川冻土,2001,23(1):16—21.[19]卢华友,邵东国,郭元裕.丹江口水库径流长期预报研究[J].武汉水利电力大学学报,1996,29(6):6—10.[20]Hipel K W,Mcleod A I.T ime series m odelling of water re2s ources and environmental systems[M].Amsterdam:E lsvier, 1994.[21]Thom pstone R M,Hipel K W,Mcleod A I.F orecasting quarter2m onthly river flow[J].Water Res ources Bulletin,1985,21(5):731—741.[22]Bender M,S im onovic S.T ime2series m odeling for long2rangestream2flow forecasting[J].J Water Res Plan Manag,1994, 120(6):857—870.[23]M ontanari A,R oss o R,T aqqu M S.A seas onal fractionalARFI M A m odel applied to the Nile River m onthly at As wan [J].Water Res ources Research,2000,36:1249—1259. [24]O oms M,Franses P H.A seas onal periodic long mem ory m odelfor m onthly river flows[J].Environmental M odeling&S oft2 ware,2001,16:559—569.[25]王文.黄河流量过程时间序列分析与建模[D].北京:中国科学院研究生院,2003.[26]Awadallahl A G,R ousselle J.Im proving forecasts of Nile floodusing SST inputs in TFN m odel[J].Journal of Hydrologic En2 gineering,2000,5(4):371—379.[27]K uo I T,Sun Y H.An intervention m odel for average10daystream flow forecast and synthesis[J].Journal of Hydrology, 1993,151(1):35—56.[28]冯国章,王比银,王学斌.自激励门限自回归模型在枯水径流预报中的应用[J].西北农业大学学报,1995,23(4):78—83.[29]S olomatine D P,Dulal K N.M odel trees as an alternative toneural netw orks in rain fall2runoff m odeling[J].Hydrol Sci J, 2003,48(3):399—411.[30]Birikundavyi S,Labib R,T rung H T,et al.Per formance of neu2ral netw orks in daily stream flow forecasting[J].J Hydrol Eng, 2002,7(5):392—398.[31]Z ealand C M,Burn D H,S im onovic S P.Short term stream flowforecasting using artificial neural netw orks[J].J Hydrol,1999, 214:32—48.[32]Markus M.Application of neural netw orks in stream flow fore2casting[D].C olorado:C olorado S tate University,1997. [33]Jain S K,Das A,SrivastavaD K.Application of ANN for reser2v oir in flow prediction and operation[J].J Water Res Plann Manage,1999,125(5):263—271.[34]K isi O.River flow m odeling using artificial neural netw orks[J].J Hydrol Eng,2004,9(1):60—63.[35]陈仁升,康尔泗,张济世.应用G RNN神经网络模型计算西北干旱区内陆河流域出山径流[J].水科学进展, 2002,13(1):87—92.[36]Zhang B,G ovindaraju R S.Prediction of watershed runoff usingBayesian concepts and m odular neural netw orks[J].Water Re2 s our Res,2000,36(3):753—762.[37]Hu T S,Lam K C,Ng S T.River flow time series predictionwith a range2dependent neural netw ork[J].Hydrol Sci J, 2001,46(5):729—745.[38]Cigizoglu H K.Incorporation of ARM A m odels into flow fore2casting by artificial neural netw orks[J].Environmetrics,2003, 14(4):417—427.[39]Clark M P,Hay L e of medium2range numerical weatherprediction m odel output to produce forecasts of stream flow[J].J Hydrometeor,2004,5(1):15—32.[40]陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997(8):15—21.[41]白子岩.模糊模式识别法在中长期预报中的应用[J].水利水电技术,1999,30(2):50—51.[42]Zhu M2L,Fujita M,Hashim oto N,et al.Long lead time forecastof runoff using fuzzy reas oning method[J].J Japanese S oc Hy2 drol Water Res our,1994,7(2):83—89.[43]Mahabir C,Hicks F E,Fayek A R.Application of fuzzy logic toforecast seas onal runoff[J].Hydrol Process,2003,17:3749—3762.[44]夏军.中长期径流预报的一种灰关联模式识别与预测方法[J].水科学进展,1993,4(3):190—197.[45]袁秀娟,夏军.径流中长期预报的灰色系统方法研究[J].武汉水利电力大学学报,1994,27(4):367—375. [46]饶素秋,霍世青.灰色系统模型在黄河径流量分析预测中的应用[J].人民黄河,1997(7):39—42.[47]蓝永超,康尔泗,徐中民.龙羊峡水库年入库径流的Markov预测模型[J].中国沙漠,2000,20(1):95—97. [48]冯建英.河西内陆河春季流量变化特征的分析和预测[J].甘肃气象,1998,16(4):38—41.[49]李杰友,熊学农,刘秀玉.基于E OF迭代的月径流长期预报[J].河海大学学报(自然科学版),2001,29(2): 43—46.[50]Uv o C B,G raham N E.Seas onal runoff forecast for northernS outh America:a statistical m odel[J].Water Res our Res, 1998,34(12):3515—3524.[51]丁晶,邓育仁,傅军.洪水变化的混沌特性和相空间预测[A].刘昌明.第六次全国水文学术会议论文集[C].北京:科学出版社,1997.151—157.[52]S ivakumar B,Berndtss on R,Perss on M.M onthly runoff predic2tion using phase space reconstruction[J].Hydrol Sci J,2001, 46(3):377—387.(收稿日期:2003Ο10Ο29　编辑:熊水斌) (上接第55页)参考文献:[1]叶浩亮,闵经书.水轮机选型C AD程序设计[J].电脑开发与应用,2001(12):11—13.[2]宋文武,彭贵川.水轮机选型设计软件包的开发研究[J].大电机技术,1999(6):61—65.[3]陈杉,王宁,郭剑峰.用objectARX开发AutoC AD2000应用程序[M].北京:人民邮电出版社,2000.[4]李世国.AutoC AD高级开发技术ARX编程及应用[M].北京:机械工业出版社,1999.[5]刘大恺.水轮机[M].北京:中国水利水电出版社,1996.(收稿日期:2004Ο01Ο12　编辑:熊水斌)。