1995—2016年深圳市用水量变化与节水潜力分析

基于1995-2016年深圳市用水量和用水效率指标,分析了1995-2016年全市用水总量和分行业用水量的变化特征,解析了影响用水量变化的主要驱动因素,并对工业、城市公共服务业和居民生活节水潜力进行了评估。结果表明:1995年以来深圳用水总量变化可分为1995-2008年和2008-2016年两个阶段,前一阶段用水总量随经济社会发展持续快速增长,后一阶段随着产业结构的调整和用水效率的提升,全市用水总量增速显著降低,呈波动缓慢上升的特征;深圳市经济规模的持续扩张对用水总量具有显著的正向驱动作用,但产业结构的调整和用水效率的提升明显抑制了用水量的过快增长,且近年对用水效率的抑制作用更为突出;当前深圳市用水效率已处于较先进水平,但仍需进一步提升用水效率,目标年(2020年)全市可挖掘的节水潜力为2.518亿m^3,约相当于2016年用水总量的13%。

近实时卫星降水数据对南京“20170610”极端性强降水过程的监测分析

以高密度的地面雨量站网观测数据为基准,综合分析了TRMM 3B42RT V7、IMERG Early、IMERG Late、GSMaP NRT、GSMaP NRT Gauge共5种近实时卫星降水数据对南京及周边地区2017年6月10日一次破历史记录的极端性强降水过程的监测能力。结果发现,在累积雨量方面,2种GSM aP数据有比较明显的低估,但基本再现了雨量中部高、南北低的空间分布格局;而3B42RT V7和2种IMERG对累积雨量的主要空间分布特征的辨识性较差。在降水强度时序变化方面,所有卫星数据均能正确探测到南京全市与江宁区的"20170610"降水过程,但在区域和网格尺度上对降水强度变化的动态跟踪能力明显不足,定量误差比较突出。5种数据中,GSMaP NRT的综合精度相对较高,而2种IMERG数据的表现尚不及3B42RT V7。总体上,近实时卫星降水数据对中小尺度极端性强降水过程的监测已展现了一定的积极效果,但捕捉降水落区及追踪降水动态变化的能力尚需大力改进。

汉江流域安康站日径流预测的LSTM模型初步研究

论文基于2003-2014年水文资料,采用长短期记忆神经网络(Long-Short Term Memory,LSTM),构建了汉江上游安康站日径流预测模型,评价了不同输入条件下日径流预测的精度。结果表明:当预见期为1 d时,在仅以安康站前期日径流量作为输入的条件下,LSTM模型在训练期和检验期的效率系数分别达到0.68和0.74;如再将流域前期面雨量和上游石泉站前期日径流量加入LSTM网络作为输入变量,安康站日径流量预测效果将更好,训练期和检验期的效率系数最高可达到0.83和0.84,均方根误差也有显著削减,且对主要洪峰流量的预测能力也有一定提高。此外,LSTM可以有效避免过拟合等问题,具有较好的泛化性能。但当预见期从1 d延长至2、3 d时,LSTM的预测精度显著降低。