耦合BP神经网络的MIKE11模型预报无资料断面水位

摘要：

为解决无资料断面水位预报问题,提出BP神经网络与MIKE11模型耦合方法.通过小时尺度的洪水场次数据,选取水位、降雨和前期影响因子进行相关性分析;筛选出预见期12 h及24 h兰江流域水位关联度最高的预报因子,以多元线性回归(MLR)和反向传播神经网络(BPNN)模型构建兰溪站不同预见期下的水位预报模型;并利用Mike NAM-HD机理模型推演未设测站断面的水位数据,通过BP神经网络进一步构建兰江流域无资料断面的水位预报模型.结果表明:(1)BPNN模型对长预见期下的水位预报效果优于MLR模型;(2)随着预见期的延长,BPNN模型的纳什效率系数逐渐降低;(3)对比筛选预报因子前后BPNN模型的纳什效率系数,12 h及24 h预见期下分别提升9.0％、34.7％;(4)提出的耦合BP神经网络和MIKE11模型方法可应用于无资料断面的水位预报.

关键词：洪水演进、Mike NAM-HD、BPNN、水位预报、无资料断面

分类号：TV213.4

资助基金：浙江省重点研发计划择优委托资助项目;浙江省属基本科研业务费专项

在线出版日期：2023-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：57-67