不同水文模型在Broken流域的比较研究

流域水文模型对流域产汇流计算、洪水分析与预报以及水资源优化配置与调度等具有重大意义.本文选用三种比较常见的流域水文模型,介绍了各模型的结构、计算过程、应用范围等;随后将三个模型运用在澳大利亚Broken流域并且利用1966-1995年的日降雨、径流和蒸散发数据进行降雨产流分析.结果表明:Nash-Sutcliffe 的效率系数均达到了80%以上,径流总量相对误差系数RE对于萨克拉门托模型和SIMHYD模型均在10%以内,而Tank模型的检验期超出了10%.通过对三个模型运用结果的分析和比较,SIMHYD模型是适合于该流域的最理想的流域水文模型.     

分布式水文模型在淮河洪泽湖以上流域洪水预报中的应用

以淮河洪泽湖以上流域为例,采用分布式水文模型,根据降雨和流域内水利工程的现状应用情况进行降雨径流与洪水过程预报研究,同时对息县、鲁台子、蚌埠、蚌埠以下淮北以及淮南流域进行参数率定.预报模型在2003年淮河大洪水预报中进行了检验,取得了较高的预报精度.     

适合沼泽湿地地区的分布式次降雨径流模型

根据流域降雨径流的基本过程,在充分考虑了流域下垫面水文要素和各种参数的空间异质性的基础上,建立了一个网格型的分布式次降雨径流水文模型.模型基于DEM将流域离散为栅格计算单元,将整个流域降雨径流过程分为产流和汇流两大部分.产流采用考虑地表覆被类型和土壤类型的SCS模型;汇流根据水流特性分别采用运动波方程和Muskingum-Cunge法基于分级汇流的思想进行汇流演算.模型结构简单、参数较少,大多数参数可利用DEM、土地利用类型图直接获取,少数敏感参数通过率定确定.应用研究区内的实测数据对模型进行检验,结果表明:确定性系数都在0.8以上,洪量和洪峰的相对误差基本在10%以内,峰现时间的绝对误差不超过2小时,其结果令人满意.     

淮河上游地区降雨径流分析及模拟

为了掌握淮河流域的水情信息,对淮河干流王家坝以上流域的降雨径流进行分析和模拟。采用流域内1985-2007年的站点历史资料对降雨径流进行分析,并且应用分布式SWAT模型,采用SCE-UA算法进行参数自动校准并进行检验,建立降雨径流月尺度模拟模型。分析发现流域年降水量50%集中在6-8月,并且淮南山区息县及潢川子流域的月平均径流和径流系数都大于属于淮北平原区的班台子流域。息县、潢川、班台及王家坝月径流的模拟结果确定性系数分别达到0.77、0.81、0.69和0.80。淮河上游地区的降雨存在明显的季节集中性,并且淮南山区和淮北平原区因地势不同使产流特征不同。流域中水利工程设施的应用对天然降雨径流过程的改变产生很大影响,使班台子流域的模拟结果差于其他子流域。研究区属于径流资料短缺地区,分布式水文模型的建立充分反映了下垫面的已知信息,弥补了径流资料短缺的不足之处。     

黑河流域上游山区径流模拟及模型评估

探讨了2个不同复杂程度的水文模型在黑河流域上游山区径流模拟方面的适用性.结果表明,在模拟莺落峡站月流量过程时,集总式水文模型WASMOD能够给出与半分布式水文模型SWAT同等精度的模拟结果.另外,WASMOD还具有所需数据量少、模型参数少、模型结构简单等优势.当然,WASMOD只能在周、月或年尺度上进行模拟,而对于口径流模拟无能为力,且只能模拟流域出口断面的流量过程,对流域内部其他站点的模拟无能为力;SWAT在这些方面具有优势.与其他模型应用结果比较,WASMOD和SWAT都表现出了同样甚至更优的径流模拟性能,能够为研究区域的径流模拟与预报提供良好的手段和工具.     

黄土高原祖厉河流域日降雨-径流过程模拟

以陇西黄土高原祖厉河流域为研究区,采用松散耦合方式集成SCS模型和Clark方法,就区域尺度日降水-径流过程进行模拟研究.SCS模型参数空间化基于土地利用、土壤类型、坡度和前期水文条件等实现,Clark单位线的计算基于最大汇流时间和流域滞时两个关键参量进行.模拟结果表明:SCS模型能够实现黄土高原净雨的分布式模拟,产流总量误差为2.61％;净雨经Clark方法调蓄后,模拟的流域出口断面的流量精度在0.80以上(Nash系数和复相关系数).较好的模拟精度表明两种方法结合应用于黄土高原区域尺度日降雨-径流过程的分布式模拟是可行的.研究可为半干旱黄土高原区域尺度水文循环时空动态量化工作提供模式借鉴.     

基于气象水文水动力耦合模型的流域尺度洪水预报方法： 以北江流域为例

针对中小流域目前径流和淹没预报难度较大且精度偏低的问题,本文以北江流域为研究对象,构建降雨径流-洪水淹没模型。在非耦合情况下,基于WRF-Hydro模式构建北江流域水文模型,通过对主要参数率定,优化了WRF-Hydro水文模型,模拟了流域的产流、汇流等水循环关键要素。在耦合情况下,将WRF-Hydro模式模拟的径流过程作为CaMa-Flood模型的边界条件,从而实现对整个流域的洪水淹没模拟。研究结果表明：在经过参数率定的WRF-Hydro水文模型中,针对验证期的5场典型洪水事件,皮尔逊相关系数均高于0.8,纳什效率系数在0.52至0.71之间,在预报期的三个洪水事件中,洪峰的平均误差为22.2％。在水文水动力模型耦合后,能够准确地捕捉洪水淹没与降雨强度、洪水流量变化之间的关系,进而提供洪水发生后洪泛区的淹没深度和范围等关键信息。本文构建的降雨径流-洪水淹没模型能够适用于地形复杂、降雨时空分布不均匀的北江流域,为类似半湿润流域的洪水预报提供了有益参考,同时也为水文水动力模型耦合的研究奠定了基础。     

基于LMBP算法的崇阳溪流域降雨径流预报模型研究

采用泰森多边形法对流域进行划分,分别确定崇阳溪上游流域6个雨量站控制子流域的面积权重.选择1997至2014年的14场流域降雨径流过程为训练样本,以上游6个雨量站的时段雨量和武夷山水文站前期流量为输入,武夷山水文站相应流量为输出,采用3层网络,其中隐含层节点数采用试算法确定,建立崇阳溪上游流域LMBP神经网络降雨径流预报模型.利用余下的7场降雨径流过程对模型进行检验,结果表明,模型运算速度快、时效性好,预报精度符合要求,可以用于流域的降雨径流预报.     

基于GIS空间分析的流域水文模型及其应用

将GIS技术应用于水文模型中发展起来的分布式降雨径流预报模型成为近年来流域水文模拟发展的主要趋势．针对流域内降水及下垫面条件具有时空分布不均匀的特点,通过DEM将流域划分为若干子漉城单元,并以TOPMODEL模型为理论基础设计了一个分单元处理产流和汇流过程的分布式降雨径流模型．结合西南某水库汛期入库径流资料进行模拟计算,实验结果表明该模型具有较好的应用效果．     

湫水河流域水沙变化现状及成因分析

根据湫水河流域林家坪水文站47年降水、径流、泥沙资料，利用水文法建立的模拟降雨径流模型和降雨产沙模型，在此基础上根据降雨资料建立了模拟天然径流量和模拟天然输沙量序列，对因降水变化和人类活动对河川径流及输沙量的影响进行了定量分析，并根据流域内主要的人类活动类型分析了水沙变化的原因。     

PSO-MLP模型预测降雨对府河氨氮的影响

为研究白洋淀上游的保定市区降雨径流对府河水质的影响,采用府河2019年、2020年的常规水质监测数据,基于粒子群算法(particle swarm optimization, PSO)和多层感知机(multi-Layer perceptron, MLP)建立PSO-MLP水质预测模型。分别使用PSO-MLP、MLP、一维水质模型进行对比预测。结果表明：与一维水质模型相比,PSO-MLP平均绝对误差减少64.5%～74.7%;与MLP模型相比,PSO-MLP平均绝对误差减少6.6%～12.6%。选取2021年7月的一次典型降雨对府河膳马庙、安州和南刘庄3个控制断面进行预测,表明PSO-MLP泛化能力更强,预测误差更小,优于一维水质模型和MLP模型。所建立的府河PSO-MLP水质预测模型,可以提前4 h准确预测府河各断面氨氮浓度,平均绝对误差小于0.3 mg/L,可应用于保定市区降雨径流对府河水质污染的预测预警,避免降雨径流通过府河影响白洋淀水质。     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

基于长短时记忆与多影响因子的滑坡位移动态预测

针对传统滑坡位移预测模型存在对历史数据遗忘的问题,提出了一种基于长短时记忆（LSTM）网络的滑坡位移动态预测模型。首先,将滑坡累计位移分解为趋势项位移与波动项位移,利用多项式拟合预测趋势项位移;然后,通过灰色关联度筛选外界诱发因子并运用LSTM模型预测波动项位移;最后,叠加周期项位移与波动项位移,得到累计位移。以新滩滑坡为例,并与RNN模型以及传统静态神经网络模型BP、ELM进行对比分析,采用平均百分比误差（MAPE）,均方根误差（RMSE）,拟合优度（R2）分别对其进行评价。应用结果表明：相比于传统静态模型,LSTM与RNN均适用于滑坡位移动态预测;对比结果显示,LSTM模型具有较好的预测精度,MAPE与RMSE值分别为1.026%、0.327 mm,拟合优度R2为0.978。     

甘肃葫芦河流域径流变化的SWAT模型模拟

利用SWAT模型模拟研究了甘肃葫芦河流域过去9年的径流变化.结果表明:20世纪80-90年代流域径流减少的主要原因是气候变化.在此基础上,根据未来不同气候情景的变化趋势,模拟了葫芦河1985年的径流变化.得出气温影响相对较小,降水变化对葫芦河流域径流量的影响较大,径流量随降水的增加而增大,随气温的升高而减小.在气温降低配合降水增加的情况下,径流响应最剧烈,且呈明显增加趋势;相反,气温升高且降水减少不利于径流的产生,减少了实测值的61%.     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于分布式水文模型DHSVM的平通河流域水文模拟

中小河流域水文预报时,由于流域水文资料缺乏,洪水发生时间短,传统的水文模型难以取得良好的效果.基于平通河流域研究了分布式水文模型DHSVM的建立过程、建模方式以及模型的结构和参数,探讨了分布式水文土壤植被模型在平通河流域的适用性.并结合平通河水文资料进行了数值模拟研究.结果表明,采用DHSVM模型能够较好的反映流域日径流水文过程,模拟的相对误差均在10%以下,模型在平通河流域具有一定的适用性;从模型的结构角度对结果产生的误差进行了探讨.     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。