数据驱动模型在洪水预报中的应用及其发展趋势.docxVIP

数据驱动模型在洪水预报中的应用及其发展趋势 摘要：近年来，随着气候和水文模拟能力的提升，卫星等采集数据技术的改进以及智能计算的进步，数据驱动方法在洪水预报领域的使用越来越普遍。鉴于数据驱动方法在洪水领域的迅速发展，本文主要概述数据驱动模型的基本概念和其在过去不同类型流域、不同水文要素下的应用以及各 学者做出的相关改进，即主要对 BP 神经网络、 RBF 神经网络、支持向量机（ SVM ）模型、栈式自编码（ SAE ）模型和模型组合应用作简要回顾；最后确定未来的研发方向。 关键词：数据驱动模型； BP； RBF； SVM ；洪水预报中图分类号： TP183 文献标识码： A 文章编号： 1009-3044（ 2018） 17-0275-03 Abstract ： In recent years， with the improvement of climate and hydrological simulation capabilities ， improvements in satellite data collection techniques ， and advances in smart computing ， the use of data-driven methods in flood forecasting is becoming more common. In view of the rapid development of data-driven methods in the field of flooding ， this paper mainly outlines the basic concepts of the data-driven model and its application in different types of watersheds and hydrological elements in the past， as well as related improvements made by various scholars， that is， mainly BP neural networks ， The RBF neural network ， support vector machine （SVM ） model ， stack self coding （ SAE） model and combination of different models are briefly reviewed. Finally ， the future direction of RD is determined. Key words ： Data-drivin model ； BP； RBF ； SVM ； Flood forecast 引言 与传统的水文模型不同，数据驱动模型在解决数值预测 问题、重建高度非线性函数、时间序列分析等方面有着独特 的优越性，其不需要考虑水文过程的物理机制，而是建立关 于时间序列的数学分析，通过学习给定样本，发现水文变量 间的统计或因果关系，在洪水预报领域中有广阔的前景。结 合多数文章仅集中于分析某个具体模型在具体流域的使用 情况的问题，本文就数据驱动模型在洪水预报领域的研究概 况作简要回顾与总结。 方法介绍 构建数据驱动模型的过程遵循建模中采用的一般原则： 研究问题 -收集数据 -选择模型结构 -构建模型 -测试模型和迭 代。 2.1 BP 神经网络 BP 神经网络是在洪水预报中使用最活跃的一种方法， 它是一个由简单信息 ?理单元组合成的非线性动力学系统， 适 用于描述系统输入和输出间的复杂关系。其可看成是一种从 输入到输出的高度非线性映射函数，学习过程由正向传播和 方向传播组成：正向传播过程中，从输入层经隐含层逐层处 理，并传向输出层；若输出层与期望值间的误差较大，则转 入反向传播，按梯度下降原则，不断修改各神经元权值使误 差最小 [1] 。水文模型网络结构为： 式中， [t] 为当前时刻， [Q] 为站点流量， [Pr] 流域降雨量， [  t]为时间间隔，  [x] 和 [y]  为整数且大于等于  1， [FBF]  为一 种非线性映射函数。简而言之， BP 网络对洪水进行预报的过程，就是利用历史水文数据获得非线性函数 [FBP] 的过程 [2] 。 针对标准的 BP 模型的缺点，许多学者分别从各方面给 出了相应的改进方案： 除以上对 BP 本身的改进外，针对现多数水文模型不是 纯粹基于知识就是数据驱动的现状， Jianjin 等 [3] 提出将 BP 神经网络算法应用到半分布式新安江（ XAJ ）模型中。他们 以安定河为例， 将观测到的局部流量和