共查询到10条相似文献，搜索用时 15 毫秒
1.
喀斯特流域降雨-径流人工神经网络模型结构分析及模拟 总被引：1，自引：1，他引：0
喀斯特流域降雨-径流响应是一个非线性过程,分析确定地下河流量过程的主要影响因子对喀斯特流域水文过程模拟具有重要意义。本文利用普定后寨河流域实测降雨、径流系列资料,采用神经网络权重分析法确定该流域的人工神经网络模型结构为两个隐含层、三个输入变量,该人工神经网络模型结构可以保持降雨-径流模拟的稳定性。模型经交叉训练与验证,训练期效率系数（NSC）达0.9以上,验证期NSC达0.88以上。说明神经网络权重分析法能够较好地确立预报因子与预报对象的关系,为喀斯特流域降雨-径流模拟提供一种有效的分析手段。 相似文献
2.
土壤侵蚀产沙量的人工神经网络模拟 总被引：12，自引：0，他引：12
在分析土壤侵蚀产沙过程和神经网络模型特点具有某些相信的基础上,采用三层前馈网络模型（ＢＰ算法）,模型的第一层有５个结点,分别代表降雨强度、降雨历时、降雨量、前期降雨量（用前１０天降雨总量表示）、径流深;第三层只有一个结点,表示土壤侵蚀产沙量;隐层的结点数采用“试错法”确定为３个。利用四川某地水土保持试验观测资料,对土壤侵蚀产沙量进行模拟及预测,通过分析比较,显示了具有较子的模拟预测效果。 相似文献
3.
Gamma Test是一个与模型无关的数据分析方法,可以解决建立回归模型时面对的模型精度评价、划分率定和验证的数据及模型输入因子选择这三个问题.本文以英国的River Tone流域为例,应用Gamma Test方法分析数据,指导建立双层BP神经网络降雨-径流模型.结果表明,Gamma Test可以指导优化输入因子,精简模型结构,防止过拟合. 相似文献
4.
开都河流域山区径流模拟及降雨输入的不确定性分析 总被引：6，自引：1，他引：5
选取塔里木河源区的开都河流域为研究区,将流域内气象水文站点数据与遥感数据相结合,利用气象、土壤类型、土地利用和地表覆盖、数字高程(DEM)和降雨等资料,模拟流域水文过程,并在出山口实测径流数据的基础上对模型进行率定和验证;对降雨输入所带来的径流模拟不确定性进行分析,探讨降雨输入的空间异质性对水文预报结果的影响机制.结果表明:MIKE-SHE模型能在水文、气象站点稀少,土壤及水文地质数据缺乏的条件下,模拟开都河流域的日径流过程,但精度上仍有待提高;降雨输入的空间分布程度对径流模拟有重要影响.FY-2C遥感估算降雨资料能够更好地表达降雨时间的空间异质性,相应地对径流模拟精度也有一定程度的提高. 相似文献
5.
以贵州六冲河、倒天河流域为例建立喀斯特山区径流预报BP神经网络模型。六冲河流域以七星关站丰水期流量过程为输出数据,以丰水期降雨过程、出口断面前期流量过程、蒸发量作为输入数据,倒天河流域以徐家屯站丰水期流量过程为输出因子,丰水期降雨过程、前期流量过程作为输入因子。预报结果确定性系数DC值分别为0.538、0.420。结果表明将蒸发量作为输入数据、流域面积比较大模型预报精度较大。 相似文献
6.
采用人工模拟降雨的方法,在山西太谷均衡实验站野外径流试验场上.对平原区地面产流机制进行了试验与研究.本文就平原区地面径流的计算方法进行了探讨,利用径流系数法将人工模拟均匀降雨的试验结果应用于人工模拟非均匀降雨和天然降雨的地面径流计算,取得了较好效果. 相似文献
7.
利用环境同位素氚和氧-18对实验集水区进行降雨和径流响应的研究表明:(1)地面径流必源于本次降雨的概念不确,其中往往有非本次降雨的水量.经对1986年～1989年各次降雨估算表明,非本次降雨贡献最高可达50.5%.(2)非饱和带壤中流和饱和带地下水径流中必有非本次降雨的水量,并与地面径流一样,在次降雨径流过程中有时程变化.(3)对不同径流组成的流量过程,非本次降雨所占的比重不同.通过分析,可知降雨径流相关关系中的一一对应假定不确切,认为:传统的降雨径流经验关系和单位线概念需重新考虑;传统的过程线经验划分方法和现行同位素划分方法的有关基本假定不完全符合实际. 相似文献
8.
9.
基于异步迭代算法的冲击地压预测 总被引：1，自引：0，他引：1
采用三层BP神经网络方法对冲击地压建立了数学模型。网络的训练算法采用具有松弛因子的动态异步迭代法,该算法在克服网络的麻痹现象及局部极小问题上都优于目前常用的训练方法,因而,采用此算法对网络进行了训练及震级的预报。基于新汶矿务局华丰煤矿1999～2000年的冲击地压现场监测数据,把冲击地压的能量、产生波的幅值、频次做为输入数据,相应期间的最大震级为输出数据,组成神经网络的训练样本及测试样本,对原始数据进行了数学预处理,网络结构采用了输入层3个结点,中间层7个结点,输出层1个结点的前向神经网络;网络最终的训练误差为0.06,预测结果的相对误差率平均为 9.2 %,预测效果比较理想。 相似文献
10.
随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络（CNN,Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API, Antecedent Precipitation Index）结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。 相似文献