欢迎来到天天文库
浏览记录
ID:24713935
大小:66.00 KB
页数:11页
时间:2018-11-11
《坡面产流模式的神经网络模拟》由会员上传分享,免费在线阅读,更多相关内容在工程资料-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-称为小流域单元。Simonsetal[1]将
2、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
3、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Sketchofrunoffstructureinthesmallalstyle="TEXT-ALIGN:center"align=center>2坡面产流模式分析 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,下垫面植被条件的差异也会导致土壤含水量的
4、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
5、,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
6、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Thesketchofthreelayersneuralodel3.2坡面小单元产流量的前向网络模型 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
7、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alstyle="TEXT-ALIGN:center"align=center>(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,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alstyle="TEXT-ALIGN:center"align=center>(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
8、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,如果满足则结束,反之则继续;⑤
此文档下载收益归作者所有