秦淮河流域东山站水位预报研究

发布时间：2021-11-19 06:28

　　为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。 

【文章来源】：水资源保护. 2020,36(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

秦淮河流域水系

计算流域平均面雨量时,常用的计算方法有算术平均法、泰森多边形法、等雨量线法和网格法[14]。考虑到秦淮河面积较大、地形起伏度高、站点分布不均匀的情况,为了提高计算精度,简化操作步骤,本文采用了泰森多边形的面平均雨量计算方法,利用南京、林场、东山等22个雨量站点2000—2016年的逐日降水量数据,计算得到秦淮河流域历年逐日面降水量。进而得到秦淮河流域降水量年内分配,见图2。由图2可见,秦淮河流域的降水主要集中在6—8月。2000—2016年流域平均年降水量为 1 185.6 mm,其中1—4月的降水量为277.6 mm,占全年降水量的23.4%;5—9月的降水量为753 mm,占全年降水量的63.5%;10—12月的降水量为 155 mm,占全年降水量的13.1%。年内降雨呈单峰型分布,1—4月的降水量是10—12月的1.8倍。5—9月是秦淮河流域的汛期,这段时间内水位涨幅大,降雨与水位变化的关系明显,是研究降雨与水位关系的最优时段,因此选取5—9月作为研究时段。

相对于水位的上涨过程以及水位峰值的时间,东山站场次洪水后的峰值水位的准确预报具有更大意义,可作为下游水闸泄洪运作的决策参考。本研究以场次洪水后水位达到峰值时的水位涨幅作为模型输出,利用2000—2010年的场次降雨作为模型训练数据,2011—2016年的场次降雨作为预报检验数据。共挑选降雨场次112场,其中训练数据71场,检验数据41场,其BP神经网络结构示意图见图3。1.4.2 混合线性回归模型

【参考文献】：
期刊论文
[1]基于导向标准断面法的受冲淤影响洪峰水位预报模型[J]. 张幼成,李琼,徐汪洋,彭薇,李永凯.  水资源保护. 2019(03)
[2]基于MIKE11模型的秦淮河流域洪水调度方案[J]. 陈璇,杨根林,杨红卫.  水电能源科学. 2019(01)
[3]疏勒河年径流量变化特征分析及模拟[J]. 李培都,司建华,冯起,赵春彦,王春林.  水资源保护. 2018(02)
[4]基于ArcGIS的泰森多边形法计算区域平均雨量[J]. 王玉德.  吉林水利. 2014(06)
[5]基于多元线性回归分析的水位短期预测方法[J]. 范先友,李朝阳,杨传华,曹晓勤.  水运工程. 2014(01)
[6]长江汉口水位受鄂东北及汉江来水影响分析[J]. 邹红梅,李世强,陈瑜彬.  人民长江. 2011(06)
[7]降雨径流模拟神经网络模型及应用[J]. 包红军,李致家,王莉莉.  西安建筑科技大学学报(自然科学版). 2009(05)
[8]秦淮河流域“2007·7”暴雨洪水分析[J]. 闻余华,陈靓.  人民长江. 2008(15)
[9]秦淮河流域数字水文模型及其应用[J]. 王建群,张显扬,卢志华.  水利学报. 2004(04)

硕士论文
[1]基于Copula函数和神经网络模型的洪水预测[D]. 刘立燕.南京邮电大学 2018
[2]秦淮河流域引水调配模型及应用研究[D]. 周益娟.河海大学 2006
[3]人工神经网络模型在长江中下游河道洪水预报中的应用研究[D]. 刘冬英.武汉大学 2005
[4]秦淮河流域洪水预报与调度模型研究[D]. 易建军.河海大学 2005



本文编号：3504471