坡面产流模式的神经网络模拟.doc

《坡面产流模式的神经网络模拟.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、坡面产流模式的神经网络模拟摘要：坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型(BP算法)，并显示了具有较好的模拟预测效果。关键词：人工神经网络坡面产流BP算法１引言　　一般而言，整个流域的不同区域，其地形、地貌、植被、土壤、人类活动等条件不尽相同。模拟流域的产流、汇流、土壤侵蚀、产沙及其泥沙输移特性，首先需将流域概化成若干流域特性近似的计算单元－称为小流域

2、单元。Simonsetal[1]将流域分成若干计算单元，每个单元有它自己的流域边界，称为子流域。国内不少研究者也采用这种按自然水系划分子流域的方法[2]。　　将流域概化为若干子流域的方法，对考虑流域降雨及下垫面条件的空间变化，建立整个流域的产流、汇流、土壤侵蚀、产沙和泥沙输移模型提供了很大的方便。为此，以这种自然水系划分方法为基础，把小流域划分为如下形式，见图1所示，其中图1(a)为小流域自然水系图；图1(b)为小流域按水系汇流结构划分模式；图1(c)为每一个小单元产流模式，即径流输出关系图，包括降水、区间来

3、水、本单元上时刻的径流量和上一单元（或多个单元）的输出到本单元的输入径流量等输入变量，以及本单元调节作用后的输出径流量。图1小流域产流结构示意图Sketchofrunoffstructureinthesmallwatershed2坡面产流模式分析8　　由于地形、地貌、下垫面条件、土壤含水量空间分布及人类活动影响的不同，坡面上形成了两种不同的产流方式，即“超渗坡面流”和“蓄满坡面流”。坡面上一部分由于坡度较缓，导致雨水排泄不畅而使土壤含水量较高，而另一部分坡度较陡，雨水在坡面上滞留时间短，使土壤含水量较低。此外

4、，下垫面植被条件的差异也会导致土壤含水量的变化。因此，在每个单元子流域的坡面上，既可能产生“超渗坡面流”，也可能产生“蓄满坡面流”。然而，对此如何判断，目前研究较少。黑龙江省宾县径流实验站[3]通过对产流方式与下垫面特征、雨强特性等影响因素的分析，认为区别两种不同产流方式的重要标志是雨强的作用。在蓄满产流情况下，损失量与降雨强度无关，满足缺水量后，降雨均成径流。雨强对超渗产流则起主要作用。从以上分析可知，在小流域小单元产流计算时，首先应判明产流模式，这样有利用确定网络模式计算单元时某些主要特征值的输入，如对超

5、渗坡面流一般以降雨强度为主，不考虑土壤前期含水量的变化，而蓄满坡面流恰好相反，即不限制雨强条件，而是限制累积入渗的有效容量。3坡面产流的神经网络模型3.1人工神经元结构模型与小单元产流模式的比较　　人工神经元是对生物神经元的简化和模拟，它是神经网络的基本处理单元，它是一多输入、单输出的非线性元件，其结构形式常用图2表示[4]。　　当小流域按照自然水系划分为多个计算单元后，无论其产流模式是超渗产流，还是蓄满产流，两种方式都可概化为象图1(c)的结构形式，只是作用机理有所不同。其中输入项大致包括降水特征值以及其它

6、单元的径流输入；输出项主要为该单元的产流量；其内部作用因素一般有下垫面因素等。　　对比分析图1(c)与图2结构形式，可明显看出它们之间的相似性，表达的同样是一种输入输出作用关系，因此利用神经网络结构模拟坡面小单元产流模式是可行的。图2神经元结构模型Themodelofneuralcellstructure图3三层BP神经网络模型Thesketchofthreelayersneuralnetworkmodel3.2坡面小单元产流量的前向网络模型8　　神经网络根据连接方式不同，可分为前向网络和相互结合型网络。就坡

7、面产流量来讲，前向网络结构就能较好地模拟其产流模式，前向网络由输入层、中间层（隐含层）及输出层组成。目前应用广泛的前向网络是BP网络[5]，如图3所示。其中输入层有N个变量；隐层由G个神经元；输出层由M个神经元组成，各层神经元之间以及神经元和输入口之间有一定的联系，其程度由权重w来表示，输入层和隐层之间为wik，而隐层和输出层之间为wkj；若输出层各神经元的阈值为θj，隐层的阈值为θk，则输出层及隐层神经元的输出分别为(1)(2)式中xi为输入层变量。　　当前网络学习的算法较多，B-P网络模型采用反向传输算法

8、，其基本思路为：当输出层的实际输出和期望输出（已知输出）出现了误差，根据这个误差由输出层依次向输入层修改各层之间的w和θ，其误差的判定常采用最小平方法(LMS)，对每个样本及所有样本的平方误差为(3)　　B-P模型的学习过程为：①随机给定网络的权重和阀值；②将数据标准化(0-1),确定输入和输出；③前向传递，计算隐层和输出层的各神经元的输出；④计算期望值与实测值的偏差，判断是否小于误差阀值，如果满足