基于人工神经网络的水位预报多断面实时校正研究

基于人工神经网络建立河道水位预报多断面实时校正模型。模型选择BP神经网络与有限记忆最小二乘法相结合建立递推式网络训练学习模式,跟踪洪水预报的残差变化。通过淮河中游河道水位预报进行验证,结果表明,在2008年汛期洪水中实时校正后的水位误差减少0.14~0.46 m,验证效果较好,对实际生产预报有一定的解决意义。

基于不同模型的吹填软基沉降预测

针对大面积吹填软土地基长期沉降难以预测的问题,使用静态预测模型和动态预测模型,根据现场沉降观测资料,预测某大面积超载预压工程的沉降量,按照预测步长和输入参数个数的不同设置4种预测任务,对比分析原始样本和插值处理后样本在4种预测任务中的模型可靠度。结果表明,动态模型预测可靠度优于静态预测模型,且动态模型单步预测时BP神经网络模型预测性能优于长短期记忆(long short-term memory,LSTM)网络模型,多步预测时LSTM模型预测性能优于BP神经网络模型。

基于集合预报系统的日最高和最低气温预报

根据欧洲中心集合预报系统2 m气温预报的集合统计值,提出了BP-SM方法,针对中国512个台站2016年3月的日最高(低)气温做预报分析。将集合预报系统的模式直接输出、BP和BP-SM方法得到的日最高(低)气温进行了比较,结果表明:预报时效越长,BP-SM方法较之BP方法的预报优势也更明显;在1至5 d的预报中,BP-SM方法显著降低了预报绝对误差,误差在2℃以内的准确率大部分在60%以上,部分站点达到90%;正技巧评分均值大多高于30%,在青藏高原东部和南部地区超过了60%。预报正技巧站点次数在绝对误差≤2℃(1℃)范围内有所提高,对日最高气温预报准确率的提高略好于日最低气温;BP-SM方法有效地降低了预报系统偏差,较大预报误差出现次数显著减少。