论文部分内容阅读
洪涝灾害是最为严重的自然灾害之一，洪水预报作为防御洪涝灾害的一种非工程措施，在防洪决策中发挥着越来越重要的作用。渭河作为黄河的第一大支流，其洪涝灾害频繁，造成了巨大的经济损失，尤其是近年来洪水特性发生了变化，传统水文预报方法由于其在水文现象识别、数值模型概化、水文模拟等方面存在一定的缺陷而无法作出较为准确的预报，本文主要采用近十几年来发展起来的一种智能洪水预报方法——人工神经网络模型(AritificialNeuralNetworks)开发渭河流域洪水预报模型。
本文在应用人工神经网络模型时，采用人工神经网络模型中应用最为广泛的、经典的BP网络模型，同时考虑影响洪水的时空分布要素，通过时间序列分析方法确定影响洪水的时间要素，根据站点分布确定空间要素，将其同时引入网络中。运用均方根误差RMSE、Nash-SuttcliffeCoefficence(NSC)和相关系数R作为模型效果评定指标，对BP神经网络较难确定的重点参数隐含层节点数、训练次数和学习率的确定方法进行了初步探讨。借助主成分分析方法，针对洪水预报中气象因子的选择问题进行了讨论，结果表明模型中输入对洪水有直接影响的因子可以提高预报精度，而过多气象因子的输入可能会对网络模型产生噪音干扰。
为体现人工神经网络方法在洪水预报方面的优越性，本文将人工神经网络模型的预报结果与传统多元线性统计回归模型、概念性水箱模型的计算结果进行了对比，结果发现人工神经网络模型的预报结果远远优于这两种模型，NSC系数均可达到0.9以上，充分证明了人工神经网络方法具有很强的处理复杂非线性洪水预报问题的能力。
BP网络的误差函数为平方型，难免存在局部极小值问题，且收敛速度较慢；遗传算法在建立系统层次结构等方面有着独特的优点，但在学习、训练能力上远不如神经网络。因此可以将这两者有机结合起来，取长补短。本文通过遗传算法优化BP网络的初始权重，再进行BP网络的训练，建立了GABP模型，此模型加快了网络收敛速度，并避免了局部极小问题。将GABP模型与单纯的BP模型计算结果对比表明，该方法能够减少BP训练次数，提高预报精度，实现了遗传算法和BP网络的优势互补，有利于更好地对洪水过程进行准确的预报。