摘要
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,具有自学习、自组织与自适应性强的特点,已被广泛应用于水文预报领域中,属于利用算法学习并不断逼近预测值的预报模型;NAM模型是一种基于水文循环的物理结构以及经验性的公式来进行降雨产汇流计算的模型,属于典型的确定性、集总式、概念性模型。该文分别采用NAM模型和BP神经网络模型对西营水库入库径流进行模拟预报。结果表明:由于西营流域降雨较为稀少,依靠降雨数据驱动的NAM模型在西营流域适用性较差,不符合水文预报的精度要求。而采用降雨与径流数据作为预报因子的BP神经网络模型模拟精度较高,合格率可达90%以上。
引文
[1]张雪蕾,王万瑞,王刘明,等.石羊河流域干旱变化趋势及气候影响因素[J].兰州大学学报(自然科学版),2017,53(5):598-603.
[2]胡铁军.西营河流域水沙特性分析[J].甘肃科技,2017,33(17):30-32.
[3]商玲,李宗礼,孙伟,等.基于HIMS模型的西营河流域河道内生态基流估算[J].水土保持研究,2014,21(1):100-103.
[4]林波,刘琪璟,尚鹤,等.MIKE 11/NAM模型在挠力河流域的应用[J].北京林业大学学报,2014,36(5):99-108.
[5]陈智洋,白炳锋,朱永泉,等.NAM模型在鳌江流域洪水预报中的应用[J].浙江水利科技,2015,43(1):87-89.
[6]王振亚.新安江模型和NAM模型在资水流域的比较应用[D].南京:河海大学,2007.
[7]黄艳,程海云.对NAM模型的改进及应用的初步探讨[J].水利水电快报,1997,4(19):24-27.
[8]长江水利委员会水文局二队.NAM模型及其应用[J].水文,1999,19(增1):66-71.
[9]陈继杰.黄龙滩水库洪水预报模型与应用研究[D].保定:华北电力大学,2014.
[10]佘有贵.NAM模型在珠江流域初步应用实践[J].人民珠江,2005,26(3):34-37.
[11] Doulgeris,Charalampos,Georgiou,Pantazis,Papadimos,imitris.Ecosystem approach to water resources management using the MIKE 11 modeling system in the Strymonas River and Lake Kerkini[J].JOURNAL OF ENVIRONMENTAL MANAGEMENT,2012,94(1):132-143.
[12]周景舒,张行南,夏达忠.TOPMODEL模型与NAM模型在中小流域的比较研究[J].重庆理工大学学报(自然科学),2017,31(2):67-72.
[13]刘佩瑶,郝振纯,王国庆,等.新安江模型和改进BP神经网络模型在闽江水文预报中的应用[J].水资源与水工程学报,2017,28(1):40-44.
[14]陈璐,叶磊,卢韦伟,等.基于Copula熵的神经网络径流预报模型预报因子选择[J].水力发电学报,2014,33(6):25-29.
[15]王慧.基于BP网络的短期径流预报和水库防洪调度研究[D].武汉:华中科技大学:2009.