共查询到19条相似文献，搜索用时 187 毫秒
1.
为定量分析不同分布式水文模型在密赛流域的模拟精度,分别选用分布式水文模型SWAT模型和VIC模型,以钱塘江密赛流域为研究区域,基于密赛水文站1980—1989年水文数据,对比分析2种模型在密赛流域的径流模拟精度,研究结果表明:2种分布式水文模型都可用来模拟研究区的径流,径流模拟相对误差均小于10%,确定性系数达到0.7以上,但SWAT模型模拟精度优于VIC模型,SWAT模型模拟的径流相对误差均小于5%,确定性系数达到0.8以上,研究成果为密赛流域的分布式水文模拟提供参考。 相似文献
2.
【目的】采用SWAT(Soil and Water Assessment Tool)模型模拟大通河流域径流,为大通河流域水资源规划与管理提供科学依据。【方法】根据大通河气象水文、地形、土地利用、土壤类型等基础数据,以相对误差(Re)、线性拟合系数(R2)以及纳什效率系数(Ens)作为模型评价标准,研究SWAT模型对大通河流域径流的模拟效果。【结果】大通河流域月径流SWAT模拟值与实测值吻合较好,模型校准期(1978-1982年)和验证期(1983-1986年)的线性拟合系数、月径流相对误差以及纳什效率系数分别为:0.70,0.95%,0.69和0.69,-13.96%,0.68,表明SWAT模型能够较好地模拟大通河流域的月流量过程。【结论】SWAT模型可用于大通河流域径流模拟。 相似文献
3.
石头河流域产流预报模型研究 总被引：1，自引：0，他引：1
通过对石头河流域降雨径流关系的分析 ,选取斜峪关水文站 195 4～ 1978年的 6 1场典型洪水 ,建立了该流域蓄满产流模型 ,模型评定的合格率为 91% ,确定性系数为 0 .890 ;并用 1979～ 1980年斜峪关水文站的10场典型洪水对模型进行了检验 ,合格率为 70 % ,确定性系数为 0 .92 1,均达到乙等预报方案。 相似文献
4.
【目的】分析水文不确定性因素对径流预测的影响,提高中长期水文预报方法模拟预测结果的精度。【方法】将小波分析(WA)、人工神经网络(ANN)和随机分析联合使用建立径流预测模型,即在小波分析(WA)揭示流量时频特性的基础上,将径流原序列分为高频部分和低频部分,然后利用人工神经网络(ANN)对低频部分进行模拟预测,利用随机分析对高频部分进行分析,最后将各部分结果叠加作为最终预测结果。将所建立的径流预测模型用于渠江二级支流后河的径流预测,并与传统BP人工神经网络方法的预测结果进行对比。【结果】根据《水文情报预报规范》,以预测值的相对误差小于10%为标准,传统BP人工神经网络预测结果合格率为46.67%,而基于小波神经与随机分析的径流预测模型在正常水文年模拟预测结果的合格率为73.33%。【结论】基于小波与随机分析的径流模型预测精度好、合格率高,能得到更好的复杂水文条件下的径流预测值。 相似文献
5.
中长期径流预报模型优选研究 总被引：1，自引：0，他引：1
【目的】对中长期径流预报模型进行比较和优选,为中长期径流预报模型的应用及提高预报精度提供参考。【方法】以黄河流域黑石关、龙门、民和水文站年径流为研究对象,利用灰色预测进行趋势分析、逐步回归进行周期分析,两者耦合建立灰色-逐步回归周期模型;利用逐步回归分析确定均生函数的周期性基函数,耦合建立均生函数-逐步回归模型;利用灰色-逐步回归中的趋势项和周期项作为预报因子,建立投影寻踪回归模型;利用前4年的实测径流数据预报当年径流,建立BP神经网络模型,并通过信息熵原理进行站点模型的综合评价和优选。【结果】建模期除黑石关水文站BP神经网络模型外,各站点拟合预报的平均相对误差均小于11.0%,合格率均大于90%。验证期除民和水文站灰色-逐步回归周期模型外,各站点平均相对误差均小于20%,合格率等于或大于80%,满足精度要求。【结论】均生函数-逐步回归径流预报模型可作为黑石关水文站的优选模型,BP神经网络径流预报模型可作为龙门和民和水文站的优选模型。 相似文献
6.
沙丘前沿区因其特定的下垫面和水文气象条件,降雨径流关系复杂.针对沙丘前沿区水文特性,探索适合区域特点降雨径流预报方法.分别采用新安江模型和模型树方法,对沙丘前沿区逐日降雨径流过程进行试验模拟.结果表明:新安江模型模拟过程与实测过程偏差很大,17年降雨径流过程预报结果均不合格;而模型树方法模拟值与实测值拟合较好,预报合格率91%,确定性系数达到0.8,满足水文预报精度要求.对比这两种方法的建模过程及实验结果表明,基于模型树的数据驱动水文模型具有输入数据要求少、过程简单、维护工作量少等优点,适用性强,精度能够得到保证,可应用于沙丘区前区降雨径流预报,为沙丘前沿区水资源开发和保护提供技术依据. 相似文献
7.
《东北农业大学学报》2020,(6)
应用分布式SWAT模型,研究黑龙江省三江平原挠力河流域融雪径流模拟及变化特征。结合遥感技术获取研究区土地利用数据、DEM数据及土壤数据,建立SWAT模型地理信息数据库。基于流域内水文站及气象站2004～2014年融雪期内(3～5月)日气象和日径流观测数据,采用分布式SWAT模型模拟流域融雪径流。为提高径流模拟精度,利用二维Copula函数揭示模拟值与其误差间相关性,描述径流模拟结果及其误差联合概率分布,修正模拟径流值。结果表明,率定期及验证期纳什效率系数(NSE)均大于0.7,构建SWAT模型适合于研究区融雪径流模拟,而经Copula函数修正后纳什效率系数(NSE)提高至0.8以上,对修正径流值作滑动平均法平滑数据处理后,精度提高。 相似文献
8.
【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。 相似文献
9.
运用SWAT模型定量分析2种不同气候变化情景模式(气温+2℃,降水量+5%)下淮河上游径流响应,结果表明院SWAT模型在淮河上游径流模拟具有较好的适用性,模型模拟的径流相对误差小于10%,确定性系数达到0.8以上,模型可用来定量模拟淮河上游不同气候变化情景模式下径流响应;气温升高2℃,流域径流量减少6.67%,降水增加5%,流域径流量增加7.56%。研究成果对于淮河上游水资源保护和利用具有参考价值。 相似文献
10.
利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。 相似文献
11.
雨量站分布不均匀流域的降雨径流预报人工神经网络模型 总被引：1，自引：0，他引：1
为解决传统方法难以可靠预报雨量站分布不均匀流域的次降雨径流量这一水文预报难题 ,探讨了人工神经网络模型用于该类水文预报问题的可能性。实例研究表明 ,以次暴雨量及其前期影响雨量为输入、次暴雨径流总量 (净雨量 )为输出的 BP网络模型 ,预报的相对误差比蓄满产流模型预报的相对误差平均低 9.2 % ,这说明 ,人工神经网络模型可作为雨量站分布不均匀等雨量观测存在系统偏差或不足流域的降雨径流预报模型。 相似文献
12.
ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。 相似文献
13.
ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。 相似文献
14.
基于BP神经网络算法,采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素,并将其作为输入变量,初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试,预测相对误差为0.92%～18.93%,平均为7.42%,绝对误差为0.001～0.153 mg/kg;BP神经网络预测模型的决定系数为0.962 05。可见,面对复杂的自然环境及柑橘种质性状,基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度,说明将机器学习算法用于柑橘的农药残留检测是可行的。 相似文献
15.
运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型 总被引：1，自引：0，他引：1
以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。 相似文献
16.
基于BP神经网络的淤地坝次降雨泥沙淤积预测 总被引：1，自引：0，他引：1
为了探求淤地坝在次降雨情况下的泥沙淤积量,以黄土高原丘陵区花梁坝实测数据为例,引用3层前馈型BP网络建模方法,对侵蚀性降雨条件下淤地坝泥沙淤积量进行了研究。在模型输入层变量分别为最大30min降雨强度(mm/min)、降雨总量(mm)、平均降雨强度(mm/min)和降雨侵蚀力(mm2.min),输出层变量为淤地坝泥沙淤积量,根据降雨资料和淤积信息对应关系所计算的实际资料,对网络进行了训练,并运用训练后的网络进行模拟和预测。结果表明,BP网络的绝对拟合误差和相对拟合误差均较低,绝对拟合误差最大为-0.0061万t,相对拟合误差最大为-1.2946%。同时,BP网络还具有较高的预测精度,泥沙淤积预测的绝对误差最大为-0.039万t,相对误差最大为-5.5901%。该模型的建立为土壤侵蚀产沙规律的研究提供了一条新途径。 相似文献
17.
通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R2和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R2）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R2）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R2）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。 相似文献
18.
19.
对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。 相似文献