基于机器学习的含植被水流流速分布研究

引入机器学习的方法,对含植被渠道断面流速分布进行预测,分析水流与植被的相互作用机理。基于变量间的物理关系,得到机器学习模型的输入、输出项,结合非淹没刚性植被模型试验数据,并利用BP神经网络、RBF神经网络、支持向量回归SVR和随机森林RF四种机器学习方法对预处理后的数据集进行学习和建模。最后,通过模糊意见集中决策方法中的Borda数,对四种模型进行综合评价。结果表明:机器学习模型可以根据具体数据进行自适应建模,具有良好的工程应用前景;机器学习模拟结果与试验测量结果吻合较好,说明机器学习方法可有效预测含植被水流流速分布结构;其中BP神经网络的整体性能最好,综合使用4种模型的计算值可提高结果精度。     

基于多模型融合的中期径流预报

为提高流域中期径流预报精度，提出了一种基于机器学习的多模型融合的中期径流预报方法，并应用于桓仁水库流域。首先采用BP神经网络（BP）、多元线性回归（MLR）、支持向量机（SVM）构建旬尺度的单一径流预报模型；再基于信息熵和机器学习方法对上述单一模型的结果进行融合，分别建立基于信息熵、BP神经网络、SVM的信息融合预报模型；进一步考虑融雪影响，构建春汛期旬径流预报模型。引入平均绝对误差（MAE）、均方根误差（RMSE）和预报合格率（QR）三个误差评价指标，综合评定各模型在汛期和非汛期的径流预报精度。结果表明：(1)所有模型对径流变化趋势的模拟效果相对较好，单一模型对峰值的模拟表现较差；(2)基于机器学习算法的融合模型能很好结合不同预报模型的优势，模拟精度优于各单一预报模型和基于信息熵的融合模型，共提高汛期10个旬的径流预报精度，且将6个旬的预报合格率提升至100%，预报合格率的最大提升率达到24%；(3)考虑融雪影响的旬径流预报模型在3月和4月的预报合格率均在90%以上，提高了流域的非汛期径流预报能力。研究提出的基于机器学习的信息融合预报方法可得到准确性和可靠性较高的径流预报模型，为桓仁...     

DHSVM模型在沱沱河流域的径流模拟适用性分析

探讨了如何建立分布式水文土壤植被模型DHSVM(The Distributed Hydrology Soil Vegetation Model)。分析了DHSVM模型在高寒地区沱沱河流域的适用性,并且以实测的径流对模型进行校正。率定期和验证期模型的纳什效率系数分别达到0.82和0.84,说明DHSVM模型可以较好的模拟沱沱河流域的水文径流过程,具有一定的适用性。模型模拟过程中,部分年份的径流模拟效果稍显欠佳,模型参数的不确定性也给模型模拟带来了一定的误差,需要进一步研究改进。     

中小尺度流域洪水模型模拟比较研究

中小尺度流域洪水模拟是水文预报和防洪减灾的重要基础工作,选择适宜的水文模型对制定水文预报方案具有重要意义。以长江上游支流沿渡河流域为研究对象,对比分析了3种不同类型的水文模型(新安江模型、TOPMODEL、人工神经网络模型)对场次暴雨洪水过程的模拟效果及适用性。结果表明:各模型在模拟场次和验证场次的平均NSE效率系数均超过0.7,平均径流深误差均低于12%,可见3种模型在沿渡河这一湿润地区典型中小尺度流域均有较好的适用性。在验证期,新安江模型模拟的径流深相对误差均未超出许可误差20%的范围,且NSE系数均值达到0.826,然而Topmodel和BP模型模拟下各场次洪水的NSE系数虽均大于0.6,但个别场次结果精度较低。此外,新安江和BP模型的实测与模拟流量点群更接近1∶1线,在流量模拟方面更好,Topmodel的流量模拟整体偏大。总的来说,新安江模型在流域的适用性更好,Topmodel和BP模型次之。     

基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例

河流径流预测作为水库调度和发电的重要前提,其预测精度直接影响水利工程的综合效益。基于径流历史数据,针对其波动和随机性提出一种小波分析-支持向量机(SVM)特征分类组合预测模型。该模型首先利用小波分解提取原始径流序列的高低频能量谱作为SVM样本标记,并对原始序列进行特征分类,分为"平稳型"和"突变型"序列,对应不同类型序列的小波近似信号和细节信号分别采用自回归和滑动平均模型(ARMA)和BP神经网络模型进行预测,再重构各序列预测结果。最后采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、希尔不等式系数(TIC)作为模型评价指标。结果表明:在3个评价指标下,所提模型都优于ARMA和BP神经网络模型,并具有更好预测稳定性。     

地下水位预测模型对比分析研究

为更好地研究地下水位预测模型,选用灰色GM(1,1)、叠加的马尔科夫链和BP神经网络3种模型,选取2007-2010年长春市的地下水位资料进行地下水位预测研究,对比分析了3种模型的预测结果以及其适用情况。结果表明,3种预测方法的平均绝对误差均小于10%,在一定程度上表明3种模型均具备一定可信度,其中叠加的马尔科夫链模型的误差相对较大,另外两种则相差不大。灰色GM(1,1)模型适用于把握数据的大体变化趋势;叠加马尔科夫链模型适用于对相对稳定的数据的预测;BP神经网络模型需要基于相对较多的数据进行有弹回地校正模拟,且预测的结果相对拟合程度更好,预测结果更理想。     

灌区与水库联调中基于GS的日径

日径流过程模拟预报的准确程度对于合理利用水资源于农业灌溉、工业生产、生活用水以及水力发电等具有很重要的意义。日径流预报有很多方法，分布式水文模型是国内外水文界的热门研究课题，将基于GIS的分布式水文模型应用于灌区与水库联合调度系统中，应用李兰教授开发的LL-Ⅱ型分布式水文模型对东风渠灌区白河水库日径流过程进行模拟预报，取得了较好的效果。     

基于遗忘因子和误差修正的水文实

在进行水文预报时，由于影响河道洪水的因素众多，常用的水文预报模型往往不符合实际水文系统的客观规律。对这类系统的参数辨识要求算法具有较强的实时跟踪能力，以适应模拟或预测洪水运动变化过程的要求。利用洪水预报误差信息，对BP网络洪水实时预报校正模型与方法进行了探讨，提出了两种实时预报方法。第一：运用最小二乘递推算法，引入时变遗忘因子实时跟踪模型中时变参数的变化，建立了神经网络在非线性系统中动态的系统输入、输出数据之间的映射关系。第二：利用BP网络模型对误差的可识别性，将模型对输出变量的预报误差再次作为输出变量，对网络可能预报的误差进行实时修正。计算实例表明：以上两种方法提高了神经网络在水文领域的预报精度，给BP神经网络的实时预报方法提供了新的途径。     

系统微分响应误差修正方法在VIC模型中的应用与研究

在应用水文模型进行水文预报的过程中，由于流域水文模型结构存在诸多的简化和假设，这些简化和假设会给水文预报结果带来误差，因此需要误差修正技术来提高水文模型在实时预报中的精度。系统微分响应方法利用系统响应函数通过对水文模型的输入、状态变量、参数的修正来修正预报结果，该方法理论基础扎实，具有结构简单、不损失预见期的优点，已在多个流域水文模型中得到了广泛的应用，效果较好。VIC模型是一种大尺度分布式水文模型，该模型通过将流域划分成多个大小相同的网格，在网格内模拟产汇流结果。以闽江建阳流域为研究区域，构建流域VIC模型进行径流模拟，将系统微分响应误差修正方法应用于VIC模型中，通过对模型输入中的降雨量进行修正来修正预报结果，并与传统自回归模型误差修正方法（AR模型）进行对比分析。结果表明：系统微分响应方法在VIC模型中的修正效果较好，纳什效率系数从修正前的0.752提高到0.895，径流相对误差从修正前的7.89%降低到5.71%，而AR模型修正结果的纳什效率系数为0.807，径流相对误差为6.77%，这两种修正方法结果表明系统微分响应方法优于AR模型误差修正方法。结果表明系统微分响应修正方法在...     

多源遥感降水评估及其在水文模拟中的应用

多源遥感降水产品为无资料或缺资料地区的水文过程模拟提供了新的高质量的数据来源。以美国爱荷华州Iowa-Cedar中型流域为例,基于地面雨量站降水数据CPC-U定量评估了5种多源遥感降水产品(NLDAS2、Stage IV、TMPARP、TMPART和IMERG)的精度,并结合分布式水文模型DRIVE(Dominant river tracing-Routing Integrated with Variable Infiltration Capacity Environment)进行了水文效用评估。研究表明:①NLDAS2和Stage IV都能很好地捕捉降水事件,与CPC-U具有良好的一致性,其次是IMERG和TMPARP,日尺度上相关系数达到0.63~0.80,偏差为-0.21%~15.37%,探测率为0.61~0.74,而TMPART产品精度较低;②采用不同降水数据驱动分布式水文模型进行径流模拟,NLDAS2和CPC-U表现效果最好,纳什效率系数分别为0.82和0.8,其次是Stage IV和TMPARP,纳什效率系数分别为0.79和0.63,而IMERG和3B42RT表现较差,纳什效率系数分别为0.46和-1.09。对比结果表明,NLDAS2、Stage IV降水产品精度评估表现较好,适合在Iowa-Cedar流域进行水文模拟应用,其次是TMPARP和IMERG,但IMERG水文效用评估相对较差,说明多源遥感降水数据融合产品更适合于水文模拟应用。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

气候因素对蒲河流域径流模拟影响研究

根据分布式水文模型可以对不同流域进行较好模拟的特点,通过对蒲河流域气象数据、数字地图数据、土壤类型数据、土壤利用数据等资料的整理,对大河泡水文站实测资料与模拟结果进行径流月校准与径流月验证,分析SWAT模型在蒲河流域的适用性,并探讨不同气候因素对径流变化的影响。计算结果表明,降雨因素比气温因素更显著的影响蒲河流域的径流变化。     

紫荆关流域分布式HEC-HMS水文模型构建及洪水模拟

国内外学者利用HEC-HMS水文模型模拟流域降雨径流过程,发现该模型有良好的适用性。【目的】提高紫荆关流域洪水模拟精度。【方法】采用紫荆关流域水文气象及下垫面资料,将流域划分为11个子流域,通过选择产流和汇流计算方法,构建了该流域分布式HEC-HMS水文模型,并从历史实测暴雨洪水事件中选择14场洪水对构建的HEC-HMS水文模型进行了参数率定和模型验证。【结果】率定的各子流域产流参数基本相同,由于各子流域面积不同导致汇流参数也不同。模拟的洪峰流量和洪量相对误差均在20%以内,纳什效率系数为0.51～0.95,模拟与实测的洪水过程线吻合较好,模型模拟精度较高。【结论】构建的水文模型能反映紫荆关流域实际的产汇流过程,可用于该流域洪水过程模拟和洪水预报。     

基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明：各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习...     

资料匮乏地区径流降尺度模型构建及预测

基于贝叶斯神经网络,构建了资料匮乏地区的径流降尺度模型,模拟了叶尔羌河卡群站月平均径流,与BP神经网络的结果进行了对比,验证了BNN的优越性,并结合CMIP5三种气候模式GFDL_ESM2G,GFDL_ESM2M及MIROC5的RCP 4.5,RCP 6.0,RCP 8.5三种情景,对未来3个时段(2020年代,2050年代,2080年代)卡群站月平均径流进行了预测,并定量计算了预测的不确定性区间,研究表明:贝叶斯神经网络降尺度模型可以较好地捕捉叶尔羌河的径流特征,即相关系数达到0.9以上,效率系数达到0.8,且模拟效果比ANN较优;未来情景下,叶尔羌河流域受气温升高影响,3个时段年径流均呈现增加的趋势,增加幅度分别为75%~92%,83%~110%,88%~127%,其中RCP8.5情景下的径流增加幅度比其他情景较明显;不同月份径流存在不同程度的增加趋势,其中5-8月份变化趋势相对较明显。     

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

基于SWAT模型的西江流域径流模拟研究

采用SWAT(Soil and Water Assessment Tool)模型,在整个珠江流域构建分布式水文模型,对西江流域1951~2008年的月径流过程进行模拟。选取西江流域的迁江、柳州、武宣3个水文站的径流数据,利用SWAT模型自带的敏感性分析模块和自动率定模块,采用LH-OAT敏感性分析方法和SCE-UA算法分别对选取的各参数进行敏感性分析和参数率定,并对率定模型进行验证。敏感性分析结果表明,不同的参数对流域月径流过程表现出不同程度的敏感度,其中CN2、ESCO、SOL_AWC、CH_K2和ALPHA_BF的敏感度较高,是较敏感因子。从率定和验证结果来看,3个水文站的径流模拟效果均较好,Nash-Suttcliffe效率系数ENS均在0.75以上,其中柳州站和武宣站率定期和验证期的ENS在0.8以上。SWAT分布式水文模型在西江流域月径流模拟中的应用效果良好。     

基于XGBoost的山核桃干腐病多分类预测模型研究

【目的】通过分析影响山核桃短期内干腐病发病程度的因素,对比不同机器学习算法,得到发病程度预测效果较好的模型,为科学、绿色防治工作提供思路。【方法】采用机器学习算法XGBoost、逻辑回归和BP神经网络作为构建预测模型的基础,以五折交叉验证方法验证模型。【结果】对山核桃干腐病发病程度的影响因素排名,由高到低分别是候平均温度、候平均湿度、病斑数目、候降水量;集成机器学习算法XGBoost构建的预测模型各评价指标都高于逻辑回归和BP神经网络;集成机器学习算法XGBoost在山核桃干腐病发病程度多分类预测问题上得到的效果优于传统机器学习算法。     

电子鼻技术在鱼粉酸价检测中的应用

酸价是评价鱼粉新鲜度的一个重要指标,探索酸价含量的快速检测对鱼粉品质快速检测具有重要意义.为此,对不同新鲜度的鱼粉样本进行酸价含量的化学测定和电子鼻数据采集,利用BP神经网络和支持向量回归(SVR)建立酸价含量和电子鼻数据两者之间的回归模型,并用预测集样本进行验证.采用BP神经网络和SVR结果相近,其决定系数R2、预测标准差SEP、最大相对误差RE-max、平均相对误差RE-mean分别为0.97,0.20,7.51%,2.45%和0.97,0.27,10.73%,2.94%.结果表明,利用电子鼻技术检测鱼粉酸价含量是可行的.