基于小波神经与随机分析的径流预测

【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。     

基于土壤和地形约束的耕地识别方法研究——以锦西灌区为例

为探讨土壤特性和地形特征这2个最为核心的耕地资源限制因子影响下的可用于耕地的土地资源,在前人研究的基础上,综合考虑土壤类型及其性质和地形影响,以ArcGIS分析工具为平台,构建耕地资源识别模型,对锦西灌区内可用于耕地的土地进行识别分析。结果表明:在锦西灌区1 200.59km~2的土地中,568.33km~2适宜耕地,较适宜耕地的面积为5.92km~2,改良后适宜的面积为564.15km~2,仅62.19km~2不适宜耕地,不适宜耕地部分包括受土壤因素限制的34.19km~2和受地形影响的32.00km~2,综合考虑两方面的因素所得面积为62.19km~2。与传统的识别方法比较,本研究所构模型对最核心的限制因素进行综合考虑,可更全面、更客观、更精准的识别可用于耕地的土地资源。