基于人工神经网络的策勒河流域径流预测研究

发布时间：2020-07-23 21:03

【摘要】：水资源是维持一个地区生物生存和社会经济可持续发展的最重要因素之一,同时流经此区域径流量的变化主导着整个地区的水资源状况。径流量的变化受流域地理特征、气候变化、生物活动和社会发展各个因素的综合影响。同时,流域内径流量的变化具有多时间尺度和非线性性的复杂线性关系,并且具有强突变性和随机性等不确定性。因此,特定流域内建立合适的径流量预测模型,是保证流域内经济增长、社会和谐、生态恢复和环境友好等可实现的必要条件。本文以策勒河流域下游的策勒水文站所监测的1981年到2008年共28年月累积径流量资料为研究对象,并利用策勒河中游的气象站所得到的策勒气象资料为模型输入变量。以1981年到2000年共20年的月累积径流量数据为训练样本,以2001年到2008年共8年的月累积径流量数据为检验样本,建立神经网络预测模型。许多现有的研究结果表明在降雨丰富的地区,使用前馈型人工神经网络,对降雨径流模型进行径流模拟有极高的预测精度与适用性。然而在降雨较少或较为干旱的径流流域,围绕降雨径流模型的研究却非常稀缺。尤其是在干旱绿洲平原,这里的存在与发展主要依靠起源于高海拔山区的径流。在气候显著变化的情况下量化径流来水量,能为干旱绿洲地区的管理决策者在水资源管理和绿洲发展规划中提供良好的依据。因此,本文选取三种结构类似的三层反向传播前馈型人工神经网络为模型,以流经策勒绿洲平原的策勒河为典型研究对象,对策勒河将来一个月的月累积径流量进行训练及预测。研究结果显示紧致型小波神经网络的训练精度偏低,但从预测结果分析得出其在学习过程中能够更好的反应样本整体规律。普通人工神经网络模型和径向基神经网络模型在训练和预测阶段都有较高的精度。但普通人工神经网络模型的训练和预测精度对输入变量的选取上更加敏感,须要大量的数值模拟确定适宜的输入变量和隐含层神经元数量。因此,径向基神经网络模型更适合应用于此类问题的研究,可以推广至昆仑山南缘其他类似的研究区域。
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P333.1;TP183

【参考文献】