神经网络算法在径流模拟中的开发与应用

发布时间：2022-01-03 19:32

　　在水文学研究中,过程驱动的水文模型受制于现实因素,可用输入数据和模型所需数据往往不能完美契合,在一定程度上限制了其应用。而基于数据驱动的神经网络模型具有良好的模型结构可变性和优异的性能,受到广大研究学者的欢迎。在“降水-径流”关系模拟中,径流可能受到过去的气象因素的影响,为了解决此问题,目前均采用了加长模拟时间步的办法。主流采用的人工神经网络（ANN）模型拥有极强的学习能力,但不能体现出历史水文气象因素对未来径流的影响力会逐步减弱这一事实。这不仅造成了模型泛化能力下降,而且违背了自然规律。为了解决这一问题并测试其模拟性能以及最佳适用条件,本研究应用了一种改进的神经网络——长短期记忆（LSTM）神经网络,在中国黑河上游流域的不同时间尺度进行了“降水-径流”模拟。通过与ANN模拟结果对比发现,LSTM神经网络径流模拟的纳什系数（NSE）可达0.8054,稍优于ANN的NSE值0.7843;但是月尺度模拟方面,ANN和LSTM的NSE值分别可达0.9077和0.8421。综合考虑模型泛化能力和鲁棒性,LSTM更适合日尺度模拟而ANN更适合月尺度模拟。此外,本研究还将神经网络模型与另一种基于过... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

技术路线图

- 13 -图 2-1 黑河上游流域简图2.1.3 土壤与植被在整个黑河流域，土壤类型与植被类型并不完全统一，存在着较大空间异质性。研究区域在黑河上游，土壤存在较大且不同程度的类型分散性和异质性，拥有多种多样的土壤类型[112]。据悉，目前黑河上游拥有的主要土壤类型为寒漠土，高山草原土和山地灰钙土等土种也占相当大的比重。而在中下游，土壤异质性明显改善，主要是灰漠土和灰棕荒漠土。除此之外，黑河流域还存在部分

莺落峡站1959-2015年观测径流

【参考文献】：
期刊论文
[1]黑河流域胡杨适宜生境分布模拟[J]. 郭彦龙,李新,赵泽芳,卫海燕.  中国科学:地球科学. 2019(03)
[2]黑河流域上游径流变化及其归因分析[J]. 李秋菊,李占玲,王杰.  南水北调与水利科技. 2019(03)
[3]黑河流域甘肃段湿地破碎化及生态环境质量[J]. 胡鑫,杨东,石三娥,李馨.  水力发电学报. 2019(04)
[4]高台县黑河湿地国家级自然保护区湿地植物监测报告[J]. 蒋世昌,侯锋,周占彬,王立山,李天霞,尹昭霞,王丽娜.  林业科技通讯. 2018(12)
[5]黑河三道营水文站水位与糙率关系研究[J]. 郎潇.  内蒙古水利. 2018(11)
[6]基于小波分析的两种神经网络耦合模型在月径流预测中的应用[J]. 孙娜,周建中,朱双,李薇,彭甜.  水电能源科学. 2018(04)
[7]黑河上游高寒草地土壤粒径及分形研究[J]. 李广文,冯起,张福平,鲍锋.  陕西农业科学. 2018(03)
[8]基于遗传算法的BP神经网络在水库月入库径流量预测中的应用[J]. 齐银峰,谭荣建.  水电与抽水蓄能. 2018(01)
[9]人工神经网络结合SWAT模型在河道径流量预测中的应用[J]. 王福振.  水资源开发与管理. 2017(08)
[10]黑河流域上游山区基流量分割及其变化[J]. 赵韦,李占玲,王月华.  南水北调与水利科技. 2016(05)

硕士论文
[1]黑河流域上游植被格局动态变化与模型模拟研究[D]. 刘沛龙.南京信息工程大学 2017



本文编号：3566849