人工神经网络ANN技术在水文预报中的应用

人工神经网络(Artificial Neural Networks,简称ANN),是对人脑或自然神经网络(NNN)若干基本特性通过数学方法进行抽象和模拟,是一种模仿人脑结构及其功能的非线性信息处理系统。ANN技术在水文领域主要应用于降雨径流预报、洪水预报等方面。

1. 人工神经网络ANN技术在降雨径流预报中的应用

神经网络具有自学习功能,适应性强,计算速度快。建立降雨径流预报模型,首先分析输入和输出条件,其中输入条件包括降雨过程、降雨历时、降雨量、河道基流及前一时刻的出口断面流量等,输出条件即出口断面的流量过程。降雨径流预报神经网络模型包括输入层、隐层和输出层三部分。确定神经网络模型的输入层和输出层后,隐层神经元个数对模型精度有重要影响:神经元个数少,不能充分反映降雨径流机制,模型收敛精度较低;神经元个数过多,模型训练时间较长,容易产生“过度训练”现象,从而降低预报精度。因此,对不同流域降雨特点选择合理的隐层神经元个数十分重要。在网络神经元之间的信息传递过程中,神经元的转移函数是影响神经网络精度的另一重要目标。常用的转移函数有线性函数、非线性函数、阶跃函数、Sigmoid函数等,针对不同应用领域和对象采用相应的转移函数。

1996年日本一柳(Ichiyanagi)先生结合日本中部大井川河上游某地区降雨径流实测资料,采用不同的转移函数,应用神经网络技术进行降雨径流预报,并对完成后的神经网络模型进行检测,研究结果表明,降雨径流预报采用线性转移函数具有较好的预报精度。

2. 人工神经网络ANN技术在洪水预报中的研究进展与应用

洪水预报是防洪的非工程性措施之一,及时准确的洪水预报结果为防汛决策提供了可靠的依据。ANN用于水文预报主要是利用神经网络的函数估计器作用,通过对实测资料的学习训练,用神经元之间的连接关系来拟合洪水与其影响因素之间的关系。

在河道洪水预报方面,对河道洪水预报而言,各大流域一般都设有水情信息监测网,有多年洪水实测资料,而这些资料反映河道洪水的演进规律。可通过建立ANN的洪水预报模型,对历史资料进行学习训练,以模拟、体现复杂的洪水演进机制,从而识别出某河道的洪水演进规律,若给出河段上游的流量(或水位),可以预报出下游河断面的洪水过程。常用的河道洪水预报方法有水位—流量相关法、马斯京根法、汇流系数法、洪峰相关法等,其中马斯京根法和洪峰相关法因其物理概念明确、精度可靠和操作方法简便而应用最广泛。神经网络对河道洪水演进机制进行识别的实质,是通过选择适当的神经网络模型逼近实际系统的动态过程。

在多泥沙洪水预报方面,我国多数河流汛期洪水含沙量较高,河槽冲淤严重,洪水预报困难。河道一个断面的水沙过程取决于上游的来水和来沙过程、河道控制边界和沿程水沙交换,因此水沙预报模型必须能够反映河道的水沙交换机制。多泥沙河道水沙预报的建模思路是:构造神经网络模型,应用河道水沙资料进行模型训练,当训练精度达到要求时,神经网络模型就能在此精度下反映水沙变化机制。神经网络水沙预报实例分析表明.采用以水位、流量和含沙量作为输入和输出,建立神经网络预报模型是合理的。

结语

目前,应用ANN技术,采用最小二乘误差反向传播收敛法研究高含沙洪水的预测和预报效果良好,预报结果可靠,模型操作使用方便。但神经网络模型对学习样本的依赖性大,数量充足、代表性强的训练样本有待进一步组织,且基于神经网络技术的多泥沙洪水预报还不完善,精度还有待进一步提高。

如果需要使用人工神经网络进行水文研究,推荐看下水文工具集中的一篇文章水文研究与人工神经网络FANN



发表评论

You must be logged in to post a comment.