排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
利用增强型植被指数(enhanced vegetation index,EVI),采用Mann-Kendall方法和Sen’s斜率估计方法,研究2000~2014年洞庭湖区的植物面积及其变化趋势,以及其与水位之间的关系。研究结果表明,枯水年洞庭湖区的植物面积最大,平水年的次之,丰水年的最小;2000~2014年期间,洞庭湖区增强型植被指数的变化存在空间异质性,东洞庭湖区的大部分区域的增强型植被指数无显著变化,南洞庭湖区的大部分区域的增强型植被指数显著增大;洞庭湖区18.08%的区域的增强型植被指数显著增大,这些区域主要集中在高滩地(平均海拔为26.61 m);7.51%的区域的增强型植被指数显著减小,这些区域主要集中在低滩地(平均海拔为25.79 m);随着湖泊水位的上升,洞庭湖区植物面积在减少,当洞庭湖水位为24 m时,最适合植物生长,当洞庭湖水位低于24 m时,洞庭湖区的植物面积受水位变化的影响较小。 相似文献
2.
洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986—1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986—1993年作为模型的率定期,1994—1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。 相似文献
1