基于CNN深度学习的径流预判方法及应用

发布时间：2022-12-06 03:31

　　为快速预判流量等级,将复杂洪水预报过程简化为径流预判任务,借鉴卷积神经网络（CNN）在图像识别领域的应用思路,研究CNN径流预判模型搭建过程,深入分析样本处理、网络搭建、参数率定、性能测试、精度检验、知识训练等关键环节,提出基于CNN深度学习的径流预判方法。根据某水库2008—2017年的历史运行资料,构建其入库径流等级预测CNN模型实例,采用61 362个样本进行参数训练,17 532个样本进行模型测试,8 766个样本进行成果检验,预测准确率为92.94%。研究结果表明,CNN径流预判方法可作为防汛形势分析及会商决策的重要依据。 

【文章页数】：6 页

【参考文献】：
期刊论文
[1]贝叶斯概率水文预报研究进展与展望[J]. 刘章君,郭生练,许新发,成静清,钟逸轩,巴欢欢.  水利学报. 2019(12)
[2]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔.  计算机工程与应用. 2019(12)
[3]基于深度学习的中小河流洪水预报方法研究[J]. 马瑜君,邹希.  国外电子测量技术. 2018(12)
[4]基于耦合机器学习模型的洪水预报研究[J]. 阚光远,洪阳,梁珂.  中国农村水利水电. 2018(10)
[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[J]. 刘佩瑶,郝振纯,王国庆,赵思远,王乐扬.  水资源与水工程学报. 2017(01)
[6]若干水文预报方法综述[J]. 王文,马骏.  水利水电科技进展. 2005(01)



本文编号：3710968