RBF网络在西安渭滨地下水位埋深预测中的应用

基于径向基（RBF）神经网络建模,对西安市渭滨地下水水源地的地下水位埋深进行了模拟和预测。将降雨、径流和人工开采量作为输入变量,对研究区域内的潜水和承压水位埋深分别进行预测。1984—2001年的数据用于径向基网络模型训练,2002-2005年的数据用于模型的验证,最后对2006—2023年共18年的地下水位埋深进行预测。结果表明,径向基神经网络模型对20年左右的数据序列有较好的预测效果,且根据降雨、径流和开采量,能较准确的预测地下水位埋深。     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。     

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。     

基于EEMD与Elman网络的灌区地下水埋深预测模型

地下水埋深预测对于灌区农业生产、水土资源合理利用和生态环境保护等具有重要指导价值与作用。地下水埋深是一个受多种因素影响的多层次复杂系统,其演变具有不确定性、随机性、模糊性和非平稳性。基于EEMD较强的处理非线性问题能力和Elman网络具有适应时变和动态记忆的优点,构建了基于EEMD与Elman神经网络的地下水预测耦合模型,并将其应用于人民胜利渠灌区地下水埋深预测中。研究结果表明:基于EEMD和Elman神经网络耦合模型预测结果的最大相对误差为2.91%,最小相对误差为0.04%,预测合格率为100%,该耦合模型对人民胜利渠灌区地下水埋深的预测精度要高于单一的Elman模型和BP模型。另外,该模型在某种程度上可揭示灌区地下水时间序列的演变机制与影响因素,且计算简单、思路清晰,为地下水埋深预测提供了一种新的途径。     

基于神经网络的离心泵能量性能预测

总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点.分别采用BP网络和RBF网络建立了离心泵能量性能预测模型.用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真.研究结果表面:两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时问仅为BP网络预测所需时间的一半.     

基于神经网络的离心泵能量性能预测

总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状，介绍了这两种网络的结构及特点。分别采用BP网络和RBF网络建立了离心泵能量性能预测模型。用57组数据对这两个预测模型进行了训练，并用6组数据对两种网络结构的性能预测模型进行了仿真。研究结果表面：两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同，BP网络预测精度略高于RBF网络；BP网络扬程平均预测误差为3.85%，效率平均预测误差为1.39%，RBF网络扬程平均预测误差为4.79%，效率平均预测误差为3.43%；RBF网络预测所需时间仅为BP网络预测所需时间的一半。     

三江平原地下水位的预测——基于RPROP的BP神经网络方法

鉴于三江平原地下水位预测对该地区农林经济的重要性,详细介绍了RPROP的BP神经网络算法思想和数学模型;综合三江平原地下水位埋深的具体情况,建立了弹性BP神经网络地下水位埋深预测模型,而且以单口井为例做了具体的预测和分析.结果证明:使用该方法预测三江平原地下水位埋深值具有准确性和实效性,该理论和方法在地下水动态预测方面具有较好的应用前景.     

BP和RBF神经网络预测射流式喷头射程对比

为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力.     

基于ELM模型的浅层地下水位埋深时空分布预测

选用石家庄平原区补排因子的多种组合为输入参数,利用28眼水井的实测资料作为预测目标值,首次建立基于极限学习机(Extreme learning machine,ELM)的地下水位埋深时空分布预测模型,讨论补排因子在不同缺失情况下对模型精度的影响;利用Arc GIS分析误差空间分布趋势,并与常用的三隐层BP神经网络模型进行对比。结果表明:基于水均衡理论的ELM地下水位埋深模拟模型能够准确反映人类和自然双重影响下地下水系统的非线性关系,模型输入因子中缺失降水量或开采量的模拟结果均方根误差(RMSE)比缺失其余因子的RMSE高2.00倍及以上,同时模型有效系数(E_(ns))和决定系数(R~2)进一步降低;与BP模型相比,ELM模型可使RMSE减小43.6%,误差区间降低46.4%,Ens和R2提高至0.99,且RMSE在空间相同区域上均明显呈现出ELM模型小于BP模型;ELM模型在南部高误差区的移植精度(RMSE低于1.82 m/a,E_(ns)高于0.95)高于BP模型(RMSE超过3.00 m/a,Ens低于0.85);因此,影响地下水位埋深的主导因素是降水量和开采量,且ELM模型在精度、稳定性和空间均匀性上较优,移植预测效果较好,可利用已知资料推求区域空间内其余未知水井的浅层地下水位埋深;该模型可作为水文地质参数及补排资料缺乏条件下浅层地下水位埋深预测的推荐模型。     

Subsurface drainage performance study using SALTMOD and ANN models

Relative performance of artificial neural networks (ANNs) and the conceptual model SALTMOD was studied in simulating subsurface drainage effluent and root zone soil salinity in the coastal rice fields of Andhra Pradesh, India. Three ANN models viz. Back Propagation Neural Network (BPNN), General Regression Neural Network (GRNN) and Radial Basis Function Neural Network (RBFNN) were developed for this purpose. Both the ANNs and the SALTMOD were calibrated and validated using the field data of 1998–2001 for 35 and 55 m drain spacing areas. Data on irrigation depth, evapotranspiration, drain discharges, water table depths, mean monthly rainfall and temperature and drainage effluent salinity were used for ANN model training, testing and validation. It was observed that the BPNN model with feed forward learning rule with 6 processing elements in input layer and 1 hidden layer with 12 processing elements performed better than the other ANN models in predicting the root zone soil salinity and drainage effluent salinity. Considering coefficient of determination, model efficiency and variation between the observed and predicted salinity values as the evaluation parameters, the SALTMOD performed better in predicting root zone soil salinity and the BPNN performed better in predicting the drainage effluent salinity. Therefore, it was concluded that the BPNN with feed forward learning algorithm was a better model than SALTMOD in predicting salinity of drainage effluent from salt affected subsurface drained rice fields.     

应用DRAINMOD对测坑控制排水条件下地下水位的模拟分析

为研究控制排水措施对农田地下水位的影响,在湖北省荆州市四湖工程管理局丫角排灌试验站进行了测坑控制排水试验,并利用DRAINMOD模型对不同试验方案下地下水位进行数值模拟。模拟结果表明：在棉花生育期内,地下水位模拟结果和实测结果的一致性较好,该模型可有效地模拟预测水测坑控制排水条件下地下水位特性;控制排水措施能有效调控地下水位．     

基于CAR-SVM模型的季节性冻融区地下水埋深预测

准确预测地下水埋深是灌区水资源管理的重要依据.考虑到地下水埋深在时间序列上呈现滞后性和非线性,耦合了多变量时间序列CAR与支持向量机SVM,构建了CAR-SVM地下水埋深预测模型.为了提高模型在冻融期的模拟效果,构建了季节性冻融灌区地下水埋深拟合模型--CAR-SVM(T-TF)模型.模拟结果显示,只考虑冻融期气温的CAR-SVM(T-TF)模型优于考虑全年气温的CAR-SVM(T)模型及不考虑气温的CAR-SVM模型.CAR-SVM(T-TF)模型在全灌区地下水埋深的模拟结果:在验证期模型决定系数R^{2为0.954,冻融期R2为0.973;RMSE均小于0.090 m,模型精度较高.将全灌区得到的3阶CAR-SVM(T-TF)模型结构用于灌区内5个灌域地下水埋深模拟,模型在各灌域均有较好的适用性.}     

大安灌区地下水动态特征及灌区实施后的生态环境响应

针对大安灌区存在的水资源短缺、土地退化以及新一轮土地整理可能带来的生态环境问题,在广泛收集该区多年地下水动态资料的基础上,进行了地下水动态特征分析,运用GM（1,1）模型预测了水位埋深。为分析灌区实施后对生态环境的影响,分别计算了灌区建成后引起的地下水位变化回渗量、地下水位上升值,得出了大安灌区水位最高上升1.11m,小于该区地下水位年变幅3.5m,采用计算的水位埋深进行了次生盐碱化发生的可能性分析。     

季节性冻融区地下水位预测方法研究

为预测河套灌区冻融区全年地下水位变化过程,采用统计学方法,研究了冻融期地下水位与地表气温间的关系,建立了二者间的线性模型,结合非冻融期水量均衡模型,建立了改进型水量均衡模型,通过优化求解方法确定模型参数。结果表明,模型计算埋深与实测埋深拟合效果较好,提出的改进型水量均衡模型可较好地预测冻融区全年地下水位变化过程,解决了冻融期间地下水模拟难题,方法简单精确,具有很好的实用性。     

地下水埋深与芦苇生长的响应机制研究

由于芦苇各生长阶段需水量不同,对芦苇湿地进行水位的管理会影响芦苇的生长发育和产量。通过为期2年的野外试验,利用桶栽方法,控制地下水埋深分别为0(饱和状态)、10、20、30、40 cm的试验条件,利用SPSS分析软件,得出不同地下水埋深与芦苇苗期各项生长指标的响应状况。结果表明,不同的地下水埋深处理对芦苇的株高生长、茎粗生长和分蘖影响显著,其中10 cm是芦苇苗期生长和出苗的最佳地下水埋深。可见,控制芦苇不同时期生长的地下水埋深状况,能有效提高芦苇产量。     

Artificial neural network and time series models for predicting soil salt and water content

Volumetric water content of a silt loam soil (fluvo-aquic soil) in North China Plain was measured in situ by L-520 neutron probe (made in China) at three depths in the crop rootzone during a lysimeter experiment from 2001 to 2006. The electrical conductivity of the soil water (EC_sw) was measured by salinity sensors buried in the soil during the same period at 10, 20, 45 and 70 cm depth below soil surface. These data were used to test two mathematical procedures to predict water content and soil water salinity at depths of interest: all the available data were divided into training and testing datasets, then back propagation neural networks (BPNNs) were optimized by sensitivity analysis to minimizing the performance error, and then were finally used to predict soil water and EC_sw. In order to meet with the prerequisite of autoregressive integrated moving average (ARIMA) model, firstly, original soil water content and EC_sw time series were likewise transformed to obtain stationary series. Subsequently, the transformed time series were used to conduct analysis in frequency domain to obtain the parameters of the ARIMA models for the purposes of using the ARIMA model to predict soil water content and EC_sw. Based on the statistical parameters used to assess model performance, the BPNN model performed better in predicting the average water content than the ARIMA model: coefficient of determination (R²) = 0.8987, sum of squares error (SSE) = 0.000009, and mean absolute error (MAE) = 0.000967 for BPNN as compared to R² = 0.8867, SSE = 0.000043, MAE = 0.002211 for ARIMA. The BPNN model also performed better than the ARIMA model in predicting average EC_sw of soil profile. However, the ARIMA model performed better than the BPNN models in predicting soil water content at the depth of 20 cm and EC_sw at the depth of 10 cm below soil surface. Overall, the model developed by BPNN network showed its advantage of less parameter input, nonlinearity, simple model structure and good prediction of soil EC_sw and water content, and it gave an alternative method in forecasting soil water and salt dynamics to those based on deterministic models based on Richards’ equation and Darcy's law provided climatic, cropping patterns, salinity of the irrigation water and irrigation management are very similar from one year to the next.     

季节性冻融期不同潜水位埋深下土壤蒸发规律模拟研究

为了揭示季节性冻融期不同潜水位埋深和土壤质地对土壤蒸发的影响,通过连续2个冻融期的蒸渗计土壤剖面含水率和土壤温度的监测,利用水热耦合运移模型模拟研究了4种不同潜水位埋深(0.5、1.0、1.5、2.0 m)下砂壤土和壤砂土的土壤蒸发规律。结果表明:不稳定冻结阶段和消融解冻阶段地表土壤均出现昼融夜冻的特征,土壤液态水分较多,砂壤土和壤砂土蒸发量分别占整个冻融期的91.7%和81.8%以上。稳定冻结阶段的土壤蒸发量随着潜水位埋深的增加而增大,但小于0.31 mm。潜水位埋深为0.5 m时冻融期土壤蒸发量最大,砂壤土和壤砂土分别为47.28 mm和25.60 mm,随着潜水位埋深的增加,冻融期土壤蒸发量呈指数型减少,土壤颗粒直径相对较大的壤砂土土壤蒸发量随潜水位埋深的增加而衰减的幅度较为明显。该研究可为地下水浅埋区土壤盐渍化的防治和地下水资源量的科学评价提供依据。     

不同位置秸秆覆盖条件下土壤水盐运动实验研究

以地下水与土壤水动力学理论为基础,通过对不同地下水埋深不同位置秸秆覆盖试验资料分析,建立了土壤水分运动数学模型,并进行了数值模拟,试验实测数据与模型计算值吻合较好,说明所建立的模型是可行的。并以此为基础,分析了不同地下水埋深不同位置秸秆覆盖土壤含盐量,得出地表以下30 cm处秸秆覆盖的土壤含盐量大于地表表层秸秆覆盖的土壤含盐量,这为新疆地区控制潜水蒸发改良盐碱地研究提供了可靠的基础依据。