期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于气象水文水动力耦合模型的流域尺度洪水预报方法:以北江流域为例
1
作者
韩赟希
张昕
+2 位作者
王自法
周良辰
朱龙祥
《科学技术与工程》
北大核心
2024年第11期4397-4408,共12页
针对中小流域目前径流和淹没预报难度较大且精度偏低的问题,以北江流域为研究对象,构建降雨径流-洪水淹没模型。在非耦合情况下,基于WRF-Hydro模式构建北江流域水文模型,通过对主要参数率定,优化了WRF-Hydro水文模型,模拟了流域的产流...
针对中小流域目前径流和淹没预报难度较大且精度偏低的问题,以北江流域为研究对象,构建降雨径流-洪水淹没模型。在非耦合情况下,基于WRF-Hydro模式构建北江流域水文模型,通过对主要参数率定,优化了WRF-Hydro水文模型,模拟了流域的产流、汇流等水循环关键要素。在耦合情况下,将WRF-Hydro模式模拟的径流过程作为CaMa-Flood模型的边界条件,从而实现对整个流域的洪水淹没模拟。研究结果表明:在经过参数率定的WRF-Hydro水文模型中,针对验证期的5场典型洪水事件,皮尔逊相关系数均高于0.8,纳什效率系数在0.52~0.71,在预报期的三个洪水事件中,洪峰的平均误差为22.2%。在水文水动力模型耦合后,能够准确地捕捉洪水淹没与降雨强度、洪水流量变化之间的关系,进而提供洪水发生后洪泛区的淹没深度和范围等关键信息。本文构建的降雨径流-洪水淹没模型能够适用于地形复杂、降雨时空分布不均匀的北江流域,为类似半湿润流域的洪水预报提供了有益参考,同时也为水文水动力模型耦合的研究奠定了基础。
展开更多
关键词
北江流域
WRF-Hydro水文模型
CaMa-Flood水动力模型
洪水预报
洪水淹没模拟
下载PDF
职称材料
基于GIS和多种机器学习算法的广东省森林火灾预测模型
2
作者
朱龙祥
王自法
+2 位作者
张昕
韩赟希
周良辰
《林业工程学报》
CSCD
北大核心
2024年第3期159-167,共9页
森林火灾是严重的自然灾害,造成严重的森林资源破坏和社会经济损失。广东省是我国森林火灾高发区之一,针对该区域的森林火灾发生特点,准确预测可提供有效的防范措施。大多数森林火灾预测研究仅从气象因素或少数特征因素出发考虑,并未考...
森林火灾是严重的自然灾害,造成严重的森林资源破坏和社会经济损失。广东省是我国森林火灾高发区之一,针对该区域的森林火灾发生特点,准确预测可提供有效的防范措施。大多数森林火灾预测研究仅从气象因素或少数特征因素出发考虑,并未考虑到森林火灾的发生的复杂性以及预测准确率较低的问题。因此,本研究提出一种基于GIS和机器学习结合的高准确率的森林火灾预测方法,将XGBoost(eXtreme gradent boosting,XGB)、Light GBM(light gradient boosting machine)、CatBoost(categorical boosting)、深度神经网络(DNN)、随机森林(RF)5种机器学习算法作为预测模型;基于气象数据、地形数据、植被数据、基础设施数据、社会和人类数据,选择了24个特征因素作为模型输入。从更多林火发生特征因素出发,构建广东省日尺度林火发生预测模型;同时引入基于Optuna框架的贝叶斯自动超参数优化方法,其自动超参数优化特性,在面对不同数据结构时可以自动优化参数组合,提升林火预测模型的准确率。结果表明,XGBoost模型最优,准确率为91.30%;利用2018年的数据验证林火预测模型,其验证准确率结果为87.81%;利用GIS绘制广东省森林火灾风险图,同时模型准确率明显优于其他研究的林火预测模型。本研究可为广东省林业防火提供科学参考。
展开更多
关键词
森林火灾
机器学习
GIS
XGBoost
Optuna超参数优化
广东省
下载PDF
职称材料
题名
基于气象水文水动力耦合模型的流域尺度洪水预报方法:以北江流域为例
1
作者
韩赟希
张昕
王自法
周良辰
朱龙祥
机构
河南大学土木建筑学院
深圳防灾减灾技术研究院
中震科建(广东)防灾减灾研究院
中国地震局工程力学研究所
出处
《科学技术与工程》
北大核心
2024年第11期4397-4408,共12页
基金
深圳市科技计划(JCYJ20220818103215031)
韶关市“南岭团队计划”项目(220216107220295)。
文摘
针对中小流域目前径流和淹没预报难度较大且精度偏低的问题,以北江流域为研究对象,构建降雨径流-洪水淹没模型。在非耦合情况下,基于WRF-Hydro模式构建北江流域水文模型,通过对主要参数率定,优化了WRF-Hydro水文模型,模拟了流域的产流、汇流等水循环关键要素。在耦合情况下,将WRF-Hydro模式模拟的径流过程作为CaMa-Flood模型的边界条件,从而实现对整个流域的洪水淹没模拟。研究结果表明:在经过参数率定的WRF-Hydro水文模型中,针对验证期的5场典型洪水事件,皮尔逊相关系数均高于0.8,纳什效率系数在0.52~0.71,在预报期的三个洪水事件中,洪峰的平均误差为22.2%。在水文水动力模型耦合后,能够准确地捕捉洪水淹没与降雨强度、洪水流量变化之间的关系,进而提供洪水发生后洪泛区的淹没深度和范围等关键信息。本文构建的降雨径流-洪水淹没模型能够适用于地形复杂、降雨时空分布不均匀的北江流域,为类似半湿润流域的洪水预报提供了有益参考,同时也为水文水动力模型耦合的研究奠定了基础。
关键词
北江流域
WRF-Hydro水文模型
CaMa-Flood水动力模型
洪水预报
洪水淹没模拟
Keywords
Beijiang Basin
WRF-Hydro hydrological model
CaMa-Flood hydrodynamic model
flood forecast
flood inundation simulation
分类号
P338 [天文地球—水文科学]
下载PDF
职称材料
题名
基于GIS和多种机器学习算法的广东省森林火灾预测模型
2
作者
朱龙祥
王自法
张昕
韩赟希
周良辰
机构
河南大学土木建筑学院
中国地震局工程力学研究所
中震科建(广东)防灾减灾研究院
东海实验室
深圳防灾减灾技术研究院
出处
《林业工程学报》
CSCD
北大核心
2024年第3期159-167,共9页
基金
中国地震局工程力学研究所基本科研业务费专项资助(2021B09)
国家自然科学基金(51978634)
+2 种基金
深圳市科技计划资助(JCYJ20220818103215031)
东海实验室项目(DH-2023QD0002)
国家自然科学基金青年基金(42305038)。
文摘
森林火灾是严重的自然灾害,造成严重的森林资源破坏和社会经济损失。广东省是我国森林火灾高发区之一,针对该区域的森林火灾发生特点,准确预测可提供有效的防范措施。大多数森林火灾预测研究仅从气象因素或少数特征因素出发考虑,并未考虑到森林火灾的发生的复杂性以及预测准确率较低的问题。因此,本研究提出一种基于GIS和机器学习结合的高准确率的森林火灾预测方法,将XGBoost(eXtreme gradent boosting,XGB)、Light GBM(light gradient boosting machine)、CatBoost(categorical boosting)、深度神经网络(DNN)、随机森林(RF)5种机器学习算法作为预测模型;基于气象数据、地形数据、植被数据、基础设施数据、社会和人类数据,选择了24个特征因素作为模型输入。从更多林火发生特征因素出发,构建广东省日尺度林火发生预测模型;同时引入基于Optuna框架的贝叶斯自动超参数优化方法,其自动超参数优化特性,在面对不同数据结构时可以自动优化参数组合,提升林火预测模型的准确率。结果表明,XGBoost模型最优,准确率为91.30%;利用2018年的数据验证林火预测模型,其验证准确率结果为87.81%;利用GIS绘制广东省森林火灾风险图,同时模型准确率明显优于其他研究的林火预测模型。本研究可为广东省林业防火提供科学参考。
关键词
森林火灾
机器学习
GIS
XGBoost
Optuna超参数优化
广东省
Keywords
forest fire
machine learning
GIS
XGBoost
Optuna hyperparameter optimization
Guangdong Province
分类号
S762.2 [农业科学—森林保护学]
S762.31 [农业科学—森林保护学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于气象水文水动力耦合模型的流域尺度洪水预报方法:以北江流域为例
韩赟希
张昕
王自法
周良辰
朱龙祥
《科学技术与工程》
北大核心
2024
0
下载PDF
职称材料
2
基于GIS和多种机器学习算法的广东省森林火灾预测模型
朱龙祥
王自法
张昕
韩赟希
周良辰
《林业工程学报》
CSCD
北大核心
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部