基于物联网和GCNN-LSTM的河流水文预测方法

针对河流水文存在预测精度不高的问题,利用物联网技术设计了分布式的降雨和水文信息自动采集系统,并提出了一种基于图卷积神经网络和长短期记忆网络模型对河流水位和径流量进行预测的方法;首先通过分析确定了影响河流水文的主要因素,将流域范围内的降雨量信息组成网格化的二维图形矩阵;然后提出了GCNN-LSTM预测模型,将含有降雨信息的二维图形矩阵作为网络模型的输入,获取该流域内降雨与水文变化的时空分布特征;最后采用所提出的GCNN-LSTM预测模型对河南省周口市段颍河的历史水文数据进行训练,再利用训练后的网络对测试集数据进行预测,得到了较高精度的径流量和水位结果,径流量预测结果的RMSE、MAPE和MAE分别仅为17.09 m^(3)/s、1.68%和8.57 m^(3)/s,水位预测结果的RMSE、MAPE和MAE分别仅为0.32 m、0.65%和0.29 m,与其他几种预测方法相比表现出了优越性,对科学合理利用水资源和防洪减灾具有重要意义。

基于BP神经网络和三次样条插值法的感潮河段水位预报

针对常熟水利枢纽外江侧为感潮河段,提出一种基于BP神经网络和三次样条插值结合的感潮河段水位预报方法。结果表明,潮位预报预见期为1 d与2 d时,模型绝对误差分别为0.06 m与0.18 m,合格率分别为87.5%与70.9%,满足《水文情报预报规范》所规定的发布正式预报要求;预见期为3 d时,模型绝对误差与合格率分别为0.28 m与61.4%,满足参考性预报要求。水位预报预见期为1 d时,模型绝对误差为0.07 m,适用于枢纽的精细化调度;预见期为2 d与3 d时,模型绝对误差分别为0.13 m和0.18 m,可为枢纽运行提供精准的外江侧水位预报。

耦合坝前水位优化的梯级水电站入库流量计算方法研究

水库出入库流量对于水电站调度运行非常重要。实际生产中的水库出入库流量一般由水位、出力、闸门开度等数据结合水库水电站特征曲线求得,但受坝前水位波动等众多因素影响,水库出入库流量的正确性及流域上下游电站间的径流逻辑一致性经常遭到破坏。为解决水位波动对径流一致性的影响,以大渡河流域下游梯级水电站为例,基于多点平均水位代替单点值的思路,以区间谬误率最小为目标,建立了梯级电站多点水位取值及水量平衡计算时间点的优选模型。并基于2019年1月至2021年12月的运行数据进行了验证分析,结果发现水位优化处理后,梯级电站的区间谬误率均有不同程度降低,其中深枕区间与龚铜区间效果最好,深枕区间下降幅度约为40%,龚铜区间下降幅度约为30%。研究成果可为其他流域的相关研究提供参考。

基于CNN-LSTM-Attention和自回归的混合水位预测模型

【目的】水位预测对交通运输、农业以及防洪措施具有重要影响。精确的水位值可用于提升水道运输的安全及效率、降低洪水风险,同时也是保障区域可持续发展的必要条件。【方法】提出一种CRANet的混合水位预测模型,以卷积神经网络(CNN)、长短期记忆网络(LSTM)、注意力机制以及自回归(AR)组件为基础,旨在应对时间序列数据中存在的线性与非线性问题,缓解自回归及ARIMA模型的缺陷。其应用不仅在于为航运调度提供决策支撑,加强导航安全效率,同样能提升防洪减灾的能力。其中,CNN和LSTM组件有效地针对数据集内的局部和全局关系进行捕捉,AR组件则能充分考虑数据的时间序列特性。同时,通过注意力机制,模型能够优先考虑相关特性,提高预测效果。【结果】研究成果所提出的模型已成功应用于中国西江梧州站的水位预测,在测试集上预测未来3 h级别水位的MAE、RMSE和R^(2)分别为0.086、0.114 5和0.950 8。【结论】结果表明所提出的CRANet模型在水位预测方面的高可用性、准确度与稳健性,相较于AR、SVR、CNN、LSTM等模型具有更优的MAE、RMSE和R^(2)。

长江感潮河段径流对潮波变形和传播的影响研究

受径、潮流相互作用,长江感潮河段潮波从河口向上游传播过程中沿程变形过程复杂。基于长江感潮河段实测高、低潮位,潮时资料以及大通站日均流量数据,采用数理统计、Hermit插值和小波分析方法,分析了长江感潮河段潮汐特征值和潮波传播特征值随流量的变化关系。结果表明:高、低潮位及平均水位随流量增大而增大,并且越往下游对流量的敏感度越低;江阴以上河段潮差随流量增大而先减小后增大;径流对分潮振幅的影响在江阴以上河段较明显,半日潮和全日潮振幅随流量增大先减小后增大,1/4日分潮振幅随流量增大而减小,其中半日潮振幅变化幅度最大;平均水位坡度在芜湖-马鞍山段随流量增大而先增大后减小,在马鞍山以下河段与流量呈正相关;潮波振幅衰减率随流量增大而先增大后减小,越靠近入海口,流量阈值越大。研究成果有助于深入认识河口径潮相互作用机制,亦可为河口治理提供参考。

基于机器学习的长江航道水位集合概率预报模型

针对目前水位预测模型预报不确定性以及水位预测精度不高等问题,通过综合多个模型预报结果,提出一种融合机器学习与贝叶斯模型平均法(BMA)的航道水位集合概率预报框架。以长江航道上荆江河段为研究区域,采用随机森林(RF)、支持向量机(SVM)以及人工神经网络(ANN)进行了沙市站和新厂站的水位预测,结果表明水位预测精度表现为RF>SVM>ANN,3种模型预测精度整体均处于较优状态。基于3种机器学习模型预测结果,采用贝叶斯模型平均法进行了水位集合概率预报,BMA模型在沙市站和新厂站的水位预测结果相较于RF得到进一步提升,并准确获取了未来水位在90%概率下可能的出现范围。研究方法有效提升了航道水位预测精度并实现了概率预报,能够为船舶通航安全提供技术支撑。

运江古镇洪水预警预报技术研究

运江古镇位于广西象州县,是柳江上的一座水上孤岛。开展运江古镇的洪水预警预报,为古镇景区旅游项目开展、水上交通、人口安全转移等决策提供技术服务,有效提升古镇涉水安全突发事件响应的及时性及决策的科学性。采用多元回归法、中国洪水预报系统等方法创建运江水文站洪水预报方案,在实际洪水预警预报应用中,预报成果较理想,预警预报及时准确,为有效保障岛上人民群众的生命财产安全决策提供技术支撑。

嫩江干流江桥站近年来水文特征变化分析

江桥站为嫩江干流控制站,文中通过统计整理该站近年来的降水、径流、泥沙、水位流量关系等水文特征资料,分析各水文特征参数的变化情况,有利于进一步了解掌握流域水文特征变化趋势,为流域水资源管理和水旱灾害防御提供有力的基础技术支撑。

湘江流域近30年径流量与水位的长期变化规律研究

河川径流量和水位变化是反应气候变化和人类活动的重要表征,对其长期变化规律的研究结果可为该区域的水资源管理与洪水灾害风险研究提供重要的参考.本文选择频受洪水严重威胁的湘江流域为研究对象,利用近30年的径流量和水位观测的日资料及派生出的月、季和年资料,采用Mann-Kendall趋势检验法对湘江流域主要水文站的径流和水位进行了趋势分析和突变检验,并从气候变化和人类活动两方面分析其造成洪水危险性增大的原因.结果表明:(1)近30年来,湘江流域中下游的年径流量表现出增大趋势,而多数站点年最大径流量变化不大;(2)湘江流域径流的季节变化明显,多数站点春、冬季径流量没有明显变化趋势,但夏、秋季径流量呈显著上升趋势,这与夏季降水量的增大有关;(3)湘江流域7月和8月径流量呈增大趋势,5月份径流量呈减少趋势,7、8月径流量的突变点与夏季降水突变时间基本吻合,由降水变化导致径流增加的贡献率达57%以上;(4)湘江流域多数站点年平均水位和年最高水位均呈现显著的上升趋势.对比湘江流域年径流量,年平均水位的增长趋势更为明显,这可能是由于植被破坏,水土流失严重造成的淤积所致.

塔里木河流域近50年来生态环境变化的驱动力分析

结合塔里木河流域近50年来水文、植被以及社会经济等方面的资料,采用趋势分析方法估算人为因素对流域地表径流的影响,通过相关和主成分分析等数学方法分析人类活动诸因子与流域地表径流和地下水质之间的关系。研究结果表明,塔里木河上游源流区的地表径流在过去的几十年里没有减少,且有一定程度的增加,塔里木河干流地表径流量减少是人类活动所致;人类活动在1970、1980和1990年代对流域上中游地表径流的影响量分别为41.59%、63.77%和75.15%;由人类活动所导致的地表径流量减少是影响河道水质发生变化的主导因子,而地下水位变化则影响灌区和非灌区地下水水质;塔里木河下游生态系统受损与人类活动直接相关。

1998年长江流域洪涝的成因分析

利用 1 998年 5～ 9月长江流域宜昌和武汉两个水文站的资料及暴雨前期土壤湿度情况 ,分析了长江流域特大洪涝形成的原因 ,并与 1 954年的强降水进行了比较。分析表明 :洪涝的形成是多种因子共同作用的结果 ,汛前持续多雨 ,使得土壤潮湿和江河湖库水位偏高 ,直接影响汛期暴雨区的水循环 ,这是 1 998年长江流域特大洪涝形成的主要原因之一。

长江河口动力与风暴潮相互作用研究

长江口是我国最大的河口,风暴潮是本地区最严重的自然灾害之一.本文分析了本地区风暴潮发生的特点,建立了中尺度气象模式驱动下长江感潮河段河口海岸风暴潮预报数学模型,分析了风暴潮与长江河口动力的相互作用.结果表明,长江河口地区受风暴潮作用特别明显,河口风暴潮最大增水在江阴与徐六泾之间,其位置受上游径流和河口潮汐的影响而摆动;并指出了长江口天文潮、风暴潮与长江洪水作用的一般规律,预测了长江口风暴潮作用下的洪水位.

地下河天窗水位变化分析及预测

以贵州省普定县后寨地下河流域内平山天窗水位为研究对象,分析了水位变化规律,并采用偏最小二乘回归、人工神经网络及两种方法的结合建立了高水位阶段水位半日预测模型,对各模型进行了对比分析。结果表明:天窗水位变化划分为枯水位、开采-恢复、高水位3个阶段;高水位阶段天窗水位主要受前半日内的降雨及前半日时的水位影响;偏最小二乘回归是进行天窗水位预测的合适方法。该研究有助于岩溶地区水循环规律的认识及地下河水资源的开发利用。

气候变暖背景下极端气候对青海祁连山水文水资源的影响

利用青海祁连山区极端气候要素和青海湖、哈拉湖及主要河流的水文资料,研究表明:冷夜日数(10%)呈显著减少趋势,暖夜日数(90%)呈显著增加趋势;年大风日数显著减少;年降水量21世纪初增加趋势最为显著并发生突变,降水量增加幅度中西段大于东段;≥5 mm、≥10 mm、≥25 mm年降水日数呈显著增加趋势,进入21世纪后更为明显,而≥0.1 mm年降水日数呈减少趋势;年平均大风日数与湖泊水位、河流流量变化呈负相关,大风天气的减少,可以缓解湖面和土壤因蒸发而导致的水分损失,对植被的改善可增加径流的产生,流入湖泊的流量增加;降水量与湖泊水位、河流流量呈正相关,受21世纪降水量增加的影响青海湖水位逐年上升,共上升1.67 m,达到20世纪70年代末的水位,中西部主要河流流量近几年也达到最大值,而东段流量增加不明显;祁连山区≥5 mm、≥10 mm、≥25 mm年平均降水量与湖泊、河流流量变化呈正相关,各量级年降水量对湖泊水位、河流流量的增加贡献显著。

考虑回水顶托影响的水位预报研究

将有回水顶托影响的河段视为多输入－单输出系统，把水位过程视为时间序列，用时间序列分析最优控制理论，建立了可考虑回水顶托影响的水位过程预报模型。提出了在棱柱形河道情况下，以时段水位涨差作变量时，模型中各参数应满足的物理性约束条件；较好地解决了长江荆江河段中受回水顶托影响的石首站的水位过程预报问题，为水位过程预报提供了一条不同于水文学途径和水力学途径的建模途径。

煤矿开采导水裂隙带发育对潜水水位影响研究

为定量阐述采煤导水裂隙带发育对潜水含水层的影响,在分析采煤导水裂隙带发育形成机理的基础上,依据采煤导水裂隙带发育对潜水含水层的影响进行分类研究,按照对潜水水位影响的程度分为两类模式。基于这两种分类模式,以锦界矿区为研究对象,建立考虑导水裂隙带发育的地下水数值模拟模型,利用大量实测水位反演出导水裂隙带影响下各分区垂向渗透系数值变化序列,以此反映导水裂隙带发育对潜水含水层的影响。通过构建的地下水数值模型计算表明,在分类模式二条件下,由于导水裂隙带导通潜水关键隔水层构成垂向渗漏通道,隔水层垂向渗透系数显著增大,潜水水位形成大范围地下水降落漏斗。开采前10年最大降深值28 m,降深大于20 m的影响严重区域面积约为2.56 km^2,开采后20年,潜水位最大降深达到32 m。

从巴家嘴水库除险加固谈来水来沙特性与多沙河流水库泄流规模论证

足够的泄流规模是多沙河流水库保持有效库容,发挥长期综合效益的必要条件,确定泄流规模时应充分认识其来水来沙特性。巴家嘴水库位于高含沙的蒲河上,建成后曾多次除险加固,目前水库防洪能力不足,正在进行再次除险加固前期工作。本文通过对巴家嘴水库来水来沙条件的认真剖析,总结其多年来设计运行经验,多角度论证了各特征水位泄流规模,从而给出了多沙河流水库泄流曲线的设计典例。提出了多沙河流水库泄流规模设计不仅要确定水库最高蓄水位下总泄流规模,还要确定水库死水位、汛期限制水位、淤积平衡后平滩水位泄流规模。各级特征水位下满足排沙、减淤、保持有效库容泄量要求的水库泄流曲线是多沙河流水库泄流曲线的显著特点。

GM(1,1)模型在滦河下游地区地下水位预测中的应用

首先对GM(1,1)模型的结构进行了研究和改进,给出了模型参数计算方法和精度检验方法。依据所建GM(1,1)模型,选用滦河下游地区节水工程改造后地下水位资料,对滦河下游地区地下水动态进行分析和数值模拟,利用实测资料对计算结果进行了验证。研究表明,模型预测拟合精度高,方法简便,可操作性强,对灌区地下水位预测评价和地下水合理开发利用具有一定的实用价值。

感潮河段水位预报方法浅析

针对感潮河段水情复杂、水位预报困难,分析评价了国内外感潮河段水位预报基本方法及研究进展,并概述了感潮河段水位预报实时修正方法,提出了一种简单实用有效的预报方法供参考。

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt(LM)算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.