第28卷第4期-中国岩溶.pdfVIP

第28卷 第4期 中 国 岩 溶 VO1．28 NO．4 2009年 12月 CARSoL0GICA SINICA Dec．2009 文章编号：i001—4810(2009)04--0375一O6 喀斯特流域降雨一径流人工神经网络 模型结构分析及模拟① 陈 才，陈 喜，张志才，魏琳娜 (河海大学水文水资源与水利工程科学国家重点实验室，江苏 南京210098) 摘 要：喀斯特流域降雨一径流响应是一个非线性过程，分析确定地下河流量过程 的主要影响因子对喀斯特流域水文过程模拟具有重要意义。本文利用普定后寨河 流域实测降雨、径流系列资料，采用神经网络权重分析法确定该流域的人工神经 网络模型结构为两个隐含层、三个输入变量，该人工神经网络模型结构可以保持 降雨一径流模拟的稳定性。模型经交叉训练与验证，训练期效率系数(NSC)达0．9 以上，验证期NSC达0．88以上。说明神经网络权重分析法能够较好地确立预报因 子与预报对象的关系，为喀斯特流域降雨一径流模拟提供一种有效的分析手段。 关键词：喀斯特；神经网络；权重分析；降雨一径流模拟；模型结构；普定后寨河流域； 贵州 中图分类号：P333 文献标识码：A 0 引 言 子中个别数据影响，容易造成预报因子漏选、错选[5]。 另外，在大量应用 中也发现人工神经网络模型存在 我国西南喀斯特流域具有地表一地下双重结构， “过度训练”问题，导致模型通过增加输入因子个数、 属特有的二元三维流域空间系统[1]，降雨径流关系复 隐含层个数及训练次数提高训练期模拟精度，而预测 杂，降雨经岩溶裂隙、漏斗、落水洞等流入地下，地下 精度降低的现象。 水相当丰富。但在西南喀斯特山区，通常缺乏地下水 针对上述问题，本文将人工神经网络非线性分析 位观测资料，因而地下水数值模型难 以模拟喀斯特地 方法(权重分析法)应用于水文预报因子选择，计算了 下暗河径流对降雨的响应。目前，通常采用分层结构 输入、输出的权重系数，分析输入因子个数、隐含层个 的水箱模型[2]以及输入一输 出系统模型进行降雨一 数对径流模拟精度的影响，提出在降雨一径流模拟中 径流模拟[3]。人工神经网络(ANN)模型是一种具有 神经网络模型结构确定方法，成功地用于贵州普定后 高度非线性特点的黑盒子模型，它运用统计方法建立 寨河流域降雨一地下暗河径流模拟。 输入输出的非线性映射，只需要简单的降雨、径流资 料便能模拟喀斯特降雨一地下径流响应，适用于复杂 1 流域概况 喀斯特系统地下径流预测L3J。 普定后寨河流域位于贵州省普定县城以南，面积 基于输入一输出关系的系统分析模型用于水文 80．65km。，流域地势东南高、西北低 ，海拔高度在 预测，预报精度及可靠性取决于所选择的预报 因子， 1300m左右，属于贵州高原分水岭的岩溶地貌水文 因此，选择预报 因子是合理建模与预测的首要步 特征典型区，地面较平缓。区内气候温和湿润，多年平 骤[4]。系统分析模型通常采用线性相关分析方法选取