神经网络算法在径流模拟中的开发与应用

论文摘要

在水文学研究中,过程驱动的水文模型受制于现实因素,可用输入数据和模型所需数据往往不能完美契合,在一定程度上限制了其应用。而基于数据驱动的神经网络模型具有良好的模型结构可变性和优异的性能,受到广大研究学者的欢迎。在“降水-径流”关系模拟中,径流可能受到过去的气象因素的影响,为了解决此问题,目前均采用了加长模拟时间步的办法。主流采用的人工神经网络（ANN）模型拥有极强的学习能力,但不能体现出历史水文气象因素对未来径流的影响力会逐步减弱这一事实。这不仅造成了模型泛化能力下降,而且违背了自然规律。为了解决这一问题并测试其模拟性能以及最佳适用条件,本研究应用了一种改进的神经网络——长短期记忆（LSTM）神经网络,在中国黑河上游流域的不同时间尺度进行了“降水-径流”模拟。通过与ANN模拟结果对比发现,LSTM神经网络径流模拟的纳什系数（NSE）可达0.8054,稍优于ANN的NSE值0.7843;但是月尺度模拟方面,ANN和LSTM的NSE值分别可达0.9077和0.8421。综合考虑模型泛化能力和鲁棒性,LSTM更适合日尺度模拟而ANN更适合月尺度模拟。此外,本研究还将神经网络模型与另一种基于过程驱动的水文模型（FLEX-Topo）进行了比较,发现神经网络模型也同样具有竞争力,纳什系数最大相差不过0.048。基于前文ANN更适用于对月尺度模拟的结论,本研究最后在月尺度上使用了ANN模型对未来多种气候变化的情景下径流不同的变化趋势进行了预估。研究发现在温度和降水增加的情况下,未来黑河上游水资源分布的不确定性会增加,这也为未来气候变化情景下的水资源管理提供了参考依据。

论文目录

摘要

Abstract

第1章绪论

1.1 选题背景及意义

1.2 国内外研究进展

1.3 目前研究的不足

1.4 研究目标

1.5 技术路线

第2章研究区概况及研究方法

2.1 研究区域概况

2.1.1 研究区位置

2.1.2 气候条件

2.1.3 土壤与植被

2.1.4 水文地质条件

2.2 水文气象数据基本情况

2.3 研究方法

2.3.1 神经网络算法基本理论

2.3.2 人工神经网络（ANN）与长短期记忆神经网络（LSTM）

2.3.3 模型评测标准

2.4 本章小结

第3章神经网络建模

3.1 模型的超参数和数据预处理

3.1.1 神经网络模型参数

3.1.2 输入数据标准化

3.1.3 输入数据归一化

3.1.4 观测数据集拆分与模型结构选择

3.2 径流模拟时间步设定

3.3 基于ANN和 LSTM的径流模型

3.3.1 日尺度建模模拟

3.3.2 月尺度建模模拟

3.4 本章小结

第4章神经网络模型模拟效果评价

4.1 对水文特征的学习能力评测

4.2 激活函数对输入数据的利用方式

4.2.1 ANN中的激活函数

4.2.2 LSTM中的激活函数

4.3 与基于过程的水文模型的比较研究

4.3.1 FLEX-Topo水文模型

4.3.2 多种模型协同评测

4.4 本章小结

第5章未来气候变化对径流的影响

5.1 历史气象数据趋势分析

5.2 未来气候情景预估

5.3 未来径流变化情景分析

5.3.1 ANN与 FLEX-Topo模型预测性能对比

5.3.2 降水温度单变量变化情景分析

5.3.3 降水温度同步增加情景分析

5.4 本章小结

结论

参考文献

致谢

文章来源

类型: 硕士论文

作者: 王萌

导师: 刘俊国

关键词: 水资源管理,径流模拟,神经网络模型,水文模型,未来水资源变化

来源: 哈尔滨工业大学

年度: 2019

分类: 基础科学

专业: 地球物理学

单位: 哈尔滨工业大学

基金: 中国科学院A类战略性先导科技专项(XDA20100104),国家杰出青年科学基金(41625001)

分类号: P333.1

DOI: 10.27061/d.cnki.ghgdu.2019.003760

总页数: 82

文件大小: 11694K

下载量: 183

神经网络算法在径流模拟中的开发与应用

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢