基于EMD的BP神经网络在凌河流域旱灾预测中的应用

为提高旱灾预测模型预测精度，利用EMD（经验模态分解法）处理非平稳信号的优势，将其应用到BP神经网络预测模型中，建立基于EMD的BP神经网络旱灾预测模型，对凌河流域44个观测站（小凌河流域11站、大凌河流域33站）共51年（1960~2010）的降水资料进行旱灾预测应用，同时将基于EMD的BP神经网络旱灾预测模型结果与BP神经网络预测模型结果进行对比。结果表明：小凌河流域基于EMD的BP神经网络预测模型、BP神经网络预测模型的年均降水量预测值均方误差（MSE）分别为0.0011和0.0076，决定系数（R2）分别为0.95和0.83；大凌河流域基于EMD的BP神经网络预测模型、BP神经网络模型的年均降水量预测值均方误差（MSE）分别为0.0032和0.0092，决定系数（R2）分别为0.93和0.79。基于EMD的BP神经网络预测值均方误差（MSE）较小且决定系数（R2）较高，均优于BP神经网络预测值，提高了BP神经网络旱灾预测模型预测精度，具有一定的可行性。

极限学习机在洪涝灾害预测中的应用

为了减轻洪涝灾害对人类的伤害,将极限学习机（extreme learning machine,ELM）引用到洪涝灾害预测中,利用凌河流域1960～2010年44个观测站（其中大凌河流域33站、小凌河流域11站）的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析.结果表明：基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差（MSE）为0.003,决定系数（R2）为0.927;小凌河流域的均方误差（MSE）为0.0037,决定系数（R2）为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数.说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法.

基于SEBS模型反演凌河流域尺度地表蒸散发量

利用NOAA/AVHRR数据和气象资料,结合反演陆面蒸发较为准确的SEBS（Surface Energy Balance System）模型,反演了2011年我国辽宁西部地区凌河流域蒸散发量的时空分布。研究表明,凌河流域各月的蒸散发量变化范围在0~7mm之间,少数地区超过7mm。研究为大面积获取我国辽西北干旱地区的蒸散发情况奠定了基础。

椒(灵)江流域洪潮遭遇规律分析

椒(灵)江感潮河段的水情受上游洪水和河口潮水共同影响,水情情况复杂。为较合理提出感潮河段设计高水位,保障临海、台州的防洪安全,利用椒(灵)江洪水及潮位资料,采用水文分析法从洪潮频率遭遇、洪潮错峰时间遭遇两方面,分析椒江洪潮遭遇规律。考虑设计高水位时,分析结果推荐,当椒(灵)江干流发生20年、50年一遇洪水时,遭遇海门站5年一遇高潮位;当发生20年、50年一遇潮位时,遭遇5年一遇洪水;发生10年一遇以下洪水时,遭遇同频率高潮位;且洪、潮遭遇时间推荐为海门站潮峰早于三江村洪峰至少15.4 h以上。分析成果可为流域防洪排涝、河道整治规划等提供决策参考。