第八章文系统识别技术.pptVIP

第八章水文系统识别技术 第八章 水文系统识别技术 8.1 水文系统识别的概念 8.1.1 水文系统的概念 8.1.2 水文系统识别的概念与数学描述 条件 8.1.3 水文系统识别的一般程序 8.1.4 水文模型类 8.1.5 水文系统识别的分类 8.1.5.2 确定性识别和不确定性识别 8.1.5.3 显示模型识别和隐式模型识别 8.2水文系统识别的原理与方法 8.2.3 水文系统识别最优估计方法 8.3人工神经网络（ANN）水文模型及应用 8.3.1 人工神经网络（ANN）简介 人工神经网络的特点主要有： 8.3.2 人工神经网络（ANN)模型常用算法 B-P网络结构示意图 B-P网络的变换为一个非线性函数，即输入与输出满足非线性单调上升，函数f(u)的图形如下图所示。对于多层的网络，这种f(u)函数所划分的区域不是线性划分，而是由一个非线性超平面组成的区域，它是比较柔和、光滑的任意界面，因而它的分类比线性划分更精确、合理，这种网络的容错性也更好。 输入、输出非线性函数 B-P网络的数学表达式为 B-P网络学习过程分为两个阶段，即信息的前向传播过程和误差的反向学习过程。外部输入的信号经输入层、隐含层的神经元逐层处理，向前传播到输出层，输出结果。误差的反向学习过程则是指，如果输出层的输出值与样本的期望值有误差，则该误差沿原来的连接通路反向传播，通过修改各层神经元的权值和阈值，使得误差变小，经反复优化，当误差值小于允许误差值时，网络的训练过程即可结束。 8.3.3 ANN与水文系统识别的联系 8.3.4 应用举例—ANN在水文—生态模型建立中的应用 博斯腾湖水文-生态系统输入因子、输出因子关系图 根据学习训练得到的“模式”进行预测计算，分析模型可靠性。现选择1993～1997年共5组原始数据进行预测计算。 芦苇面积ANN模型计算值与实际值对比曲线图 芦苇总产量ANN模型计算值与实际值对比曲线图 芦苇面积ANN预测计算值与实际值对比曲线图 芦苇总产量ANN预测计算值与实际值对比曲线图 8.4 水文系统识别应用 8.4.1 概念性模型 灌区概念性水文模型 8.4.2 建立水量平衡方程 灌区计算单元水量平衡示意图 8.4.3 简化模型结构，确定已知项和未知项的函数关系 灌溉引水产生的蒸发量记为EQ（即灌溉蒸发量）。EQ的计算可以根据实际情况分成两部分，即引水口到进入灌区田间之间的渠道总蒸发EQ1和农田内灌溉蒸发EQ2，EQ=EQ1+EQ2。 关于EQ2的计算：先计算进入田间的总水量=n×QI（符号含义同上），再引用陆面蒸发的计算方法来近似计算EQ2。 用E601型蒸发皿观测值E601进行估算的公式为： 一般，没有长系列观测数据，也就不可能直接采用上式来计算，但可以对上式进行引伸。由于与“灌溉水深”（即单位面积上灌溉引水量）直接相关。仿照上式，写出陆面蒸发EQ如下表达式： 在式（8.4.5）中，Ep应该是灌区的平均蒸发能力，可以采用计算式：Ep＝a2·E601（或E20），其中，a2为模型参数，E601是E601型蒸发皿观测的蒸发量值，E20是Φ20cm蒸发皿观测的蒸发量值。 式（8.4.6）中a2、H0的确定方法说明如下： 考虑这些因素，这里给出H0如下计算公式： 8.4.4 参数识别与模型检验 8.4.5 未来变化条件下，模型的使用 在建立干旱区水量模型时，针对未来水土资源大规模开发，提出水量计算采取的对应措施如下： 8.4.6 计算结果举例 新疆额尔齐斯河流域某灌区： 新疆博斯腾湖流域某灌区：（因灌区过于复杂，仅建立了简化关系模型） ZHENGZHOU UNIVERSITY 依据水量平衡原理，建立水量平衡方程，一般通式如下： P+QI+RSI+RGI+UGI=E+RSO+RGO+UGO+△V ﹙8.4.1﹚ 式中，P为大气降水量；E为总蒸发量，包括大气降水引起的EP、灌溉引起的EQ、浅层地下水引起的EG、地表水体直接蒸发ER，即：E= EP + EQ + EG + ER；QI为灌溉引水量；RSI为地表径流流入量；RGI为地下径流流入量；RSO为地表径流流出量；RGO为地下径流流出量；UGI, UGO为地下潜流流入、流出水量；△V为系统蓄水量的改变量。增加为正，减少为负。在多年平均情况下可以忽略。 在水量平衡方程中，有些项是已知的（如灌溉引水量QI、地表径流量RS）；有些量可以通过一定的转换关系计算得到（如大气降水量）；有些量是未知的，并且未知项居多，这对计算不利。为了简化计算和识别参数，可以根