BP神经网络模型在澜沧江流域径流量模拟中的应用

河川径流等水文时间序列属于复杂的非线性系统,使用回归分析等传统的分析方法,难以获取和描述其内在关联和变化规律。利用现有的相关站点的径流量历史数据和输沙量、降水量数据,在进行规格化处理和主成分分析的基础上,利用三层BP人工神经网络模型,对澜沧江流域上游昌都站径流量与各关联因子之间复杂的非线性映射关系进行模拟,采用拟牛顿算法对模型进行训练,模拟结果达到期望精度要求,并利用1982年~1985年实测数据进行模型验证。结果证明利用BP神经网络模型对澜沧江流域站点的月径流量序列进行模拟、预测和数据补缺处理具有可行性。     

BP神经网络模型在澜沧江流域径流量

河川径流等水文时间序列属于复杂的非线性系统,使用回归分析等传统的分析方法,难以获取和描述其内在关联和变化规律.利用现有的相关站点的径流量历史数据和输沙量、降水量数据,在进行规格化处理和主成分分析的基础上,利用三层BP人工神经网络模型,对澜沧江流域上游昌都站径流量与各关联因子之间复杂的非线性映射关系进行模拟,采用拟牛顿算法对模型进行训练,模拟结果达到期望精度要求,并利用1982年～1985年实测数据进行模型验证.结果证明利用BP神经网络模型对澜沧江流域站点的月径流量序列进行模拟、预测和数据补缺处理具有可行性.     

BP小波神经网络在地铁隧道变形分析中的应用

利用小波分析能够逼近非线性连续函数和良好的局部化特性对BP神经网络模型进行改进。结合BP神经网络的非线性映射和容错性等优点,将小波分析和BP神经网络相结合,并将其应用于变形监测的数据分析处理。本文通过BP神经网络模型和BP小波神经网络模型分别对样本数据进行分析处理,并对结果进行对比,验证BP小波神经网络模型的优越性。     

CORS站点高程坐标时间序列分析

根据CORS(Continuously Operating Reference System)站点多年积累的连续观测数据,研究站点坐标高程分量的变化规律。对高程时间序列进行了谱分析,并对CORS站点高程时间序列进行了预报分析。采用BP神经网络方法对时间序列模型进行补偿,建立了一个融合模型。实例分析结果表明,与传统的多项式函数拟合模型和时间序列模型相比,提出的融合模型预报精度可提高10%以上。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

近40年乌兰乌拉湖变化的遥感分析与水文模型模拟

为了研究可可西里地区的湖泊变化及其与气候变化的响应关系,利用TM/ETM+图像提取乌兰乌拉湖水体面积,利用高度计数据获得湖泊水位,分析湖泊面积和水位的变化;并计算得到2003—2009年湖泊水量变化;然后利用SWAT模型(soil and water assessment tool),对乌兰乌拉湖1970—2012年的径流情况进行模拟,其中土壤分类、土地利用分类和气象数据作为输入数据,利用遥感数据计算湖泊径流量,进行模型率定和验证。结果表明:1970—1990年,乌兰乌拉湖湖泊面积持续缩小,1990年以后湖泊面积持续增大,1990—2010年湖泊面积共增长了129 km2,水位也持续上升;SWAT模型模拟值和真实值的决策系数R2=0.82,模型适用性强,长期模拟结果与遥感监测结果的趋势一致;乌兰乌拉湖流域多年平均年径流量为103.8 mm,高峰出现在7—9月。     

动态数据驱动模式下的湖泊流域降雨径流模拟

湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基于深度循环神经网络技术,提出一种适应动态数据驱动的模式,可融合遥感数据与原位传感器站点数据的DTSM(Dynamic Data Driven Time Series Model)时序模拟预测模型,并在观测值与数值模拟之间建立了一种能动态反馈、自适应调整的模拟框架,解决了传统辨识模型法对时序信息挖掘较弱导致模拟精度较低的问题。通过在鄱阳湖多个子流域入湖径流的案例中验证,显示静态数据驱动模式下,以不同数据源作为输入模拟时,本文DTSM模型的纳希效率系数Ens精度比机理模型提高10个百分点以上;相比静态模式,动态数据驱动模式的模拟精度有进一步提高,尤其是对于静态模式精度较低的流域,提高更为明显。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

澜沧江流域2000-2017年植被NDVI时空特征及其对气候因子的响应

基于MODIS-NDVI数据分析澜沧江流域生长季植被NDVI时空特征和变化趋势,结合地形数据、气象站点数据和植被类型数据,利用趋势分析和相关性分析法研究植被NDVI变化对气候因子的响应。结果表明:1)2000-2017年澜沧江流域生长季植被NDVI均值为0.592,整体呈现出由西北向东南波动增加趋势,增长速率为0.09%/10年;2) 2000-2017年澜沧江流域气温呈上升趋势,降水呈下降趋势,植被NDVII总体与平均气温的相关性高于累积降水量;3)澜沧江流域生长季植被NDVI驱动因子分析表明,气候驱动中以气温降水联合驱动为主,流域植被NDVI变化整体为非气候驱动。     

基于GIS的乌江流域地表径流模拟研究

基于GIS平台，建立了数字乌江流域。在此基础上，选择5个典型子流域，利用流域1956-2000年的降雨和水文资料及流域2000年土地利用数据，分别计算5个子流域的年均降雨量、年均地表径流量和土地利用百分比；用多元回归分析工具建立流域年均地表径流量与年均降雨量和土地利用百分比之间的关系式，得到不同土地利用方式下的降雨径流模型；通过实测资料对模型进行验证的结果表明，模型模拟精度较高，相对误差在7％以内。     

基于支持向量机的土地利用变化模拟模型

以湖北省为例,选取5大类7个耕地.利用变化驱动力因子.将1986～2000年的数据作为样本训练数据,2001～2004年的数据作为测试数据,与耕地变化进行基于支持向量机的回归模拟,用遗传算法对参数进行优化,并与BP、RFB神经网络模型进行了对比.模拟结果精度分析显示,SVM模型较BP神经网络模型理想,与RFB神经网络接近.并运用该模型对湖北省2010年的耕地利用变化进行了预测,结果合理.研究表明,SVM模型有较强的自学习、自适应能力,在土地利用变化模拟中有着广泛的应用前景.     

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

灰色Verhulst-BP模型在沉降分析中的应用

针对软基处理后的地基沉降情况进行分析,利用灰色Verhulst-BP模型对沉降数据进行分析预测。灰色Verhulst-BP模型是利用灰色Verhulst模型的残差值来改进BP神经网络模型,进而提高模型的模拟预测精度。在Matlab9.0平台上,通过Matlab语言编程实现实例检验分析。研究结果表明,灰色Verhulst-BP模型相对于灰色Verhulst模型更适合于S型序列的数据分析预测。该模型预测精度较高,能够较好地反映沉降趋势。     

奇异谱分析在地铁沉降预测中的应用

地铁沉降受诸多因素干扰,其监测数据往往表现出非平稳、非线性特征。因此,首先利用奇异谱分析(SSA)方法提取监测数据的趋势项和周期成分,以削弱噪声、提高数据信噪比;然后利用BP神经网络分别对趋势序列与周期序列进行预测并重构,进而得到预测值。实验结果表明,相较于BP神经网络模型,SSA_BP神经网络模型的整体预测精度更高、最大预测长度更优。     

基于神经网络和GIS的广西都安县人口数据空间化研究

人口数据的空间化是进行小尺度地理分析的基础,本文在分析土地利用与人口分布关系的基础上,发现耕地、居民点以及水域是影响人口分布的主要因素,在GIS中对人口及其土地利用等数据进行分析,同时,利用BP神经网络非线性模型,对广西都安县人口数据进行空间化研究.通过神经网络的模拟和数据的调整,最终生成的栅格人口分布与实际的分布保持大体一致.     

陕西GPS连续观测网站点时间序列去噪与速度场分析

利用GAMITL/GLOBK软件对陕西GPS连续观测网的站点2008-2014年近6 a的连续观测数据进行处理得到基准站原始时间序列;并采用Kalman、ARMA、BP这3种方法对原始时间序列进行滤波去噪分析,结果表明3种方法都有效地剔除了一定量的噪声,使站点在N,E,U这3个方向上的坐标趋势更加显现,尤其是在选定合适的状态噪声矩阵后Kalman方法要优于其他两种方法。同时去噪得到的陕西连续观测网站点在ITRF2008框架下的速度场精度更高,N方向的平均速度为-0.010 1 m/a,E方向的平均速度为0.033 8 m/a,整体往东南方向位移,渭河盆地和汉中盆地内几个站点沉降量较大。     

IGS站点坐标时间序列噪声特性与季节性变化分析

正分析IGS站点坐标时间序列的噪声特性、季节性变化以及地表质量负载对各坐标分量的贡献,对IGS站点坐标数据的干扰改正、测站季节性运动物理机制的研究以及地固参考框架的稳定性维护具有重要的理论意义及实用价值。本文以IGS再分析中心JPL产出的单日解坐标序列产品为研究对象,对站点坐标时间序列的数据预处理方法,噪声特性分析,地表质量负载形变模拟,站点时变季节性变化提取以及站点坐标质量负载形变修正等方面进行了研究,主要内容和结论如下:(1)对站点坐标时间序列异常值的探测、阶跃修复及     

基于SWAT模型的细河流域土地利用/覆被变化对径流影响的研究

土地利用/覆被变化对细河流域的水文过程影响显著。为研究不同土地利用/覆被情景对流域水文要素的影响情况,本文构建了适用于细河流域的SWAT分布式水文模型,并拟算出不同情景下的流域多年平均月径流量、多年平均地表径流深度、多年平均蒸发量以及多年平均土壤侧流。模拟结果显示:当流域农林用地增加时,平均月径流量增加了8.40%;当建设用地增加时,平均月径流量减少了4.11%;当旱地及其他未利用地增加时,平均月径流量减少了1.93%。综上所述,细河流域农林用地变化对径流产量的影响相对最大,其增加导致径流量增加;旱地及其他未利用对径流产量的影响相对最小,建设用地和旱地及其他未利用地的增加导致径流量减少。