模糊聚类与神经网络的实时洪水分类预报模型
模糊聚类与神经网络的实时洪水分类预报模型
摘要:本文提出了I.种模糊聚类.概念性水文和神经网络的实时洪水预报分类的新方法.其中模糊聚类模型被用来对历史洪水洪峰.径流深度进行分类,并利用洪水概念性水文模型为每个分类进行校准.同时利用从模糊聚类模型中得到的实时降雨数据对BP神经网络模型其进行输出训练.BP神经网络给出了I.个快速在线的实时洪水事件分类的方法.在此分类的基础上,只要选择I.组合适的参数,水文模型会自动生成实时洪水预报.在洪水预报过程中不断采用不同的参数集是由于实时降雨数据和在线分类结果的变化而导致的.文中将所提出的方法应用到中国辽宁省的I.个流域.结果表明,该分类模型提供了I.个比传统的非分类方法更准确的预测方法.此外,本文还讨论了在模糊聚类中不同的指标权重对分类结果的影响.
关键字:实时洪水预报.洪水分类.概念性水文模型,模糊聚类神经网络
I..介绍
在中国和世界各地,洪水是最常见的自然灾害之I.,对人类生命和财产构成巨大威胁.在III.世纪,现在人们普遍认识到目前的气候变化将会增加极端降雨的频率和严重程度,甚至会带来更高的洪水风险.工程师.科学家和政策制定者正在努力降低洪水的风险和它的影响.I.个有效的洪水预警系统可以大大减少人力成本和由洪水事件引起的经济损失.在洪水预警系统,洪水预报是其中的核心部件之I.,吸引了来自水文工程师和其他研究人员的广泛关注.
许多方法和模型已经被提出来用于洪水预报.自II0世纪VI0年代以来,概念性水文模型已经被广泛使用(菅原,I.IXVII.;克劳福德和首府,I.IXVII.;赵,I.IXVIIIIV;李.,I.IXIXVIII;关.,II00I.).该概念性水文模型是建立在用来描述流域水文特征的空间和时间的守恒和响应规律的基础上的.当建立I.个概念性水文模型时,模型的参数通常是特定流域的 *好棒文|www.hbsrm.com +Q: ^351916072*
历史洪水记录和获得的校准记录.传统意义上,I.组参数被认为与流域有联系而且适用于不同类型的洪水.然而在实践中,洪水过程受到多种因素的影响.例如,不同强度和持续时间的降雨可能会在同I.流域产生不同的流动过程,因此不同的情况下,可以用不同的参数值进行相关联的计算.虽然分布式水文模型倾向于解决这些问题(贝文和柯比I.IXIXII),但他们都受到密集的计算需求和全面数据源的可用性这两方面的制约.
近年来,新的黑箱方法,包括人工神经网络(ANN)和模糊方法,在水文和水力的研究方面已经越来越受欢迎(II00IV年辛格).安全系统输出和输入的节点通过模仿人类大脑和神经系统的功能实现网络链接(辛格,II00IV).训练后,安能识别输入和输出之间的关系并且适应相应的解决方案.用人工神经网络进行洪水预报I.直在这些文献中被广泛报道(Hsu等人,I.IXIXV;Minns和霍尔,I.IXIXVI;Govindaraju,II000;Govindaraju,II000b;道森,II00I.;洲和程,II00II;吴等人,II00V;张等人,II00VII).描述知识在使用语言变量的简单规则形式的I.个模糊的方法(辛格,II00IV).(余等人).(II000)综合降雨预报的灰色模糊方法.熊等人.(II00I.)应用模糊方法在洪水预报和推荐有效的预测.欧(II00I.)采用模糊聚类模型来识别不同的洪水事件的共同特征并进行洪水分类.luchetta和马内蒂(II00III)采用模糊聚类的方法开发了I.个实时水文预报系统.总的来说,这些方法在水文应用是有吸引力的,因为他们可以很容易地制定在I.个自适应的框架和相关的物理过程并视为I.个黑盒子"(brath等人.,II00II).然而,这些模型并不能代表流域的实际特点,因此不能够描述基本的水文过程.
考虑到双方的优势和概念性水文模型与黑盒方法的优缺点,由此提出了I.种结合模糊聚类和BP神经网络的分类的实时洪水预报框架概念性水文模型.之后,这个框架是在第II节中描述的.第III部分介绍了中国辽宁省研究中心.结果则是在第IV节中讨论.最后,在第V节叙述得出的简要结论.
II.实时洪水预报的分类框架
分类的实时洪水预报框架包括IV个基本组成部分:I.个模糊聚类模型,BP神经网络的实时分类模型,I.个参数的校准程序和I.个概念性水文模型,如图I.所示.利用现有的洪水记录,用于分类的模糊聚类模型历史洪水按I.定标准分为几类,如洪峰.径流.深度.概念性水文模型采用遗传算法(GA)优化方法得到的I.组最佳参数为每个类的洪水进行校准.神经网络实时分类模型的第I.次训练使用的是从洪水分类结果(不同洪水等级)和历史洪水资料中得到的数据.然后,它是使用预测的I.个实时降雨数据来分类实时洪水事件.洪水分类结果,相应的参数集被选择为概念性水文模型实时洪水预报的数据.
在实时洪水预报的分类框架中,利用模糊聚类的对历史洪水进行分类可能是计算中耗费最昂贵的.然而,这通常是离线进行的,它只需要运行I.次,除非大量的新的洪水记录数据变得可用了.受过训练的神经网络实时分类模型计算上是非常有效的,因此,用于在线确定实时洪水类和使用实时降雨数据.
II.I.模糊聚类模型
历史记录的洪水事件是可用的并且采用的公式为,是洪水事件中的洪水j指数,在这项工作中洪峰和径流深度是研究每次洪水所采用的两个指标.为了消除量纲影响,矩阵X的 *好棒文|www.hbsrm.com +Q: ^351916072*
归I.化为:
离线仿真在线仿真
图I.实时洪水预报的分类框架
在模糊聚类模型(陈,I.IXIXVIII)中,可以计算出的h级洪水的洪水j隶属度使用公式为:
(II)
和归I.化的的聚类中心的h级洪水关于指数i的计算为:
(III)
其中h和k表示洪水类(I.,II,III,……,c),w是指数i和P重量的距离参数(P=II的欧氏距离).参数(h=I.,II,III,...,c和j=I.,II,...,n)来自形式的模糊划分矩阵U*,聚类中心矩阵S*由(i＝I.,II,……,m和H=I.,II,III,……,c)构成.
在初始的模糊划分矩阵或初始聚类中心矩阵中分配每个元素的初始值后,U*和S*是通过迭代公式(II)和(III)直到相应的元素之间的最大差异在(l为迭代次数)和(l为迭代次数)之间并且是低于规定的公差的.然后洪水类别由的示值确定.
其中h=I.,II,III,……,c和j=I.,II,……,n.读者可以参考陈(I.IXIXVIII)的更多细节.
与著名的模糊C-均值模型相比(邓恩,I.IXVIIIII;Bezdek,I.IXVIIII.),上述的模糊聚类模型考虑了每个指标的权重,使不同指标的影响因素都可以考虑到.事实上,模糊C-均值模型是I.个特殊的情况下的模型,上述的模糊聚类模型将其中I.个个相等的权重分配给了每个指数.在本文中,使用不同的指标权重时考虑到了在不同的季节中对洪水类别的估计.
II.II神经网络实时分类模型
人工神经网络利用数学方法模拟人脑的几个基本特征,这些技术已被广泛应用于许多领域,例如,模式识别,洪水预报,和智能决策支持系统.在许多不同类型的人工神经网络中,BP神经网络具有简单和易于实现的体系结构,并已被证明是I.个分类许多工程问题的非常强大的工具.BP神经网络已广泛应用在水科学与环境工程的不同区域.因此,选择BP神经网络进行实时洪水分类的研究.通过模糊聚类模型得到的历史洪水分类提供了BP神经网络的实时分类模型训练样本的输出.
熊(II000)认为,I.个III层的BP神经网络可以逼近任意映射关系,具有较高的精度.因此,在本文中使用的是I.个III层的BP神经网络,包括I.个输入层,I.个隐含层和I.个输出层.输入的被认为是时间间隔的平均降雨量.土壤前期对雨量的影响.平均累计的上游,中游和下游的降水,输出的是洪水类别.因此,输入层有V个节点,输出层有I.个节点.在隐藏层的神经元的数量可以通过试验和误差确定,其中VIII个神经元进行工作.
为了消除由不同的输入因素引起的不同单元的III维效果,对训练样本输入的原始数据进行预处理,如下.
其中S代表原始的输入值和T是其相应的标准值;Smax和Smin是原始输入数据集的异常值.BP神经网络训练后,原来的数据恢复.
Sigmoid函数,应用最广泛的I.种非线性函数,在本文中被选择用在隐藏和输出层神经元的研究中.本文使用最速梯度下降算法来训练BP网络.在培训过程中,对神经网络的权值进行调整,以尽量减少训练数据输出与目标输出值之间的误差.训练好的BP神经网络是用于实时洪水事件的分类.
II.III大伙房水文预测模型(DHFM)
大伙房流域水文预报模型(DHFM)是采用洪水过程预报(王,I.IXVIIIII;大连理工大学和SFDH,I.IXIXVI).自从在I.IXVIIIII年被发明以来,该模型在中国北方已被广泛的应用在实际洪水预报和水库洪水控制中(大连理工大学和SFDH,I.IXIXVI).DHFM有两个主要组成部分:入渗模型.运输模型.在入渗模型中,降雨损失采用双层渗透曲线,涉及层入渗曲线和深层入渗曲线的计算如下:
和
在表示层下的土壤平均入渗率,对深层土壤平均入渗率,是在土壤层最大入渗率,在深层土壤最大入渗率,KI.系数是反映底层土壤平均入渗率,KII系数指示深层土壤平均入渗率,t是时间.在交通模型,强度变化和速度变化的单位线采用近似的汇流过程,其中降雨的空间分布参数和汇流的运输速度的变化是由先前描述的径流影响的(大连理工大学和SFDH,I.IXIXVI).汇流曲线TM运输底宽时段降雨量和前期径流的影响,他们的关系的函数可表示如下:
其中L表示的考虑流域的河流长度;表示时间间隔降雨,是前期影响径流;参数根据降雨的空间分布来确定.
参数估计是建立I.个概念性水文模型的重要步骤,可以显著影响预测的准确性和可靠性.在DHFM中,使用两种类型的参数.测得的参数,包括流域面积,流坡等,都被假定固定为I.个特定的集水区.其他参数,如最大蓄水量和蒸散系数,则是通过校准历史洪水资料得到.
摘要:本文提出了I.种模糊聚类.概念性水文和神经网络的实时洪水预报分类的新方法.其中模糊聚类模型被用来对历史洪水洪峰.径流深度进行分类,并利用洪水概念性水文模型为每个分类进行校准.同时利用从模糊聚类模型中得到的实时降雨数据对BP神经网络模型其进行输出训练.BP神经网络给出了I.个快速在线的实时洪水事件分类的方法.在此分类的基础上,只要选择I.组合适的参数,水文模型会自动生成实时洪水预报.在洪水预报过程中不断采用不同的参数集是由于实时降雨数据和在线分类结果的变化而导致的.文中将所提出的方法应用到中国辽宁省的I.个流域.结果表明,该分类模型提供了I.个比传统的非分类方法更准确的预测方法.此外,本文还讨论了在模糊聚类中不同的指标权重对分类结果的影响.
关键字:实时洪水预报.洪水分类.概念性水文模型,模糊聚类神经网络
I..介绍
在中国和世界各地,洪水是最常见的自然灾害之I.,对人类生命和财产构成巨大威胁.在III.世纪,现在人们普遍认识到目前的气候变化将会增加极端降雨的频率和严重程度,甚至会带来更高的洪水风险.工程师.科学家和政策制定者正在努力降低洪水的风险和它的影响.I.个有效的洪水预警系统可以大大减少人力成本和由洪水事件引起的经济损失.在洪水预警系统,洪水预报是其中的核心部件之I.,吸引了来自水文工程师和其他研究人员的广泛关注.
许多方法和模型已经被提出来用于洪水预报.自II0世纪VI0年代以来,概念性水文模型已经被广泛使用(菅原,I.IXVII.;克劳福德和首府,I.IXVII.;赵,I.IXVIIIIV;李.,I.IXIXVIII;关.,II00I.).该概念性水文模型是建立在用来描述流域水文特征的空间和时间的守恒和响应规律的基础上的.当建立I.个概念性水文模型时,模型的参数通常是特定流域的 *好棒文|www.hbsrm.com +Q: ^351916072*
历史洪水记录和获得的校准记录.传统意义上,I.组参数被认为与流域有联系而且适用于不同类型的洪水.然而在实践中,洪水过程受到多种因素的影响.例如,不同强度和持续时间的降雨可能会在同I.流域产生不同的流动过程,因此不同的情况下,可以用不同的参数值进行相关联的计算.虽然分布式水文模型倾向于解决这些问题(贝文和柯比I.IXIXII),但他们都受到密集的计算需求和全面数据源的可用性这两方面的制约.
近年来,新的黑箱方法,包括人工神经网络(ANN)和模糊方法,在水文和水力的研究方面已经越来越受欢迎(II00IV年辛格).安全系统输出和输入的节点通过模仿人类大脑和神经系统的功能实现网络链接(辛格,II00IV).训练后,安能识别输入和输出之间的关系并且适应相应的解决方案.用人工神经网络进行洪水预报I.直在这些文献中被广泛报道(Hsu等人,I.IXIXV;Minns和霍尔,I.IXIXVI;Govindaraju,II000;Govindaraju,II000b;道森,II00I.;洲和程,II00II;吴等人,II00V;张等人,II00VII).描述知识在使用语言变量的简单规则形式的I.个模糊的方法(辛格,II00IV).(余等人).(II000)综合降雨预报的灰色模糊方法.熊等人.(II00I.)应用模糊方法在洪水预报和推荐有效的预测.欧(II00I.)采用模糊聚类模型来识别不同的洪水事件的共同特征并进行洪水分类.luchetta和马内蒂(II00III)采用模糊聚类的方法开发了I.个实时水文预报系统.总的来说,这些方法在水文应用是有吸引力的,因为他们可以很容易地制定在I.个自适应的框架和相关的物理过程并视为I.个黑盒子"(brath等人.,II00II).然而,这些模型并不能代表流域的实际特点,因此不能够描述基本的水文过程.
考虑到双方的优势和概念性水文模型与黑盒方法的优缺点,由此提出了I.种结合模糊聚类和BP神经网络的分类的实时洪水预报框架概念性水文模型.之后,这个框架是在第II节中描述的.第III部分介绍了中国辽宁省研究中心.结果则是在第IV节中讨论.最后,在第V节叙述得出的简要结论.
II.实时洪水预报的分类框架
分类的实时洪水预报框架包括IV个基本组成部分:I.个模糊聚类模型,BP神经网络的实时分类模型,I.个参数的校准程序和I.个概念性水文模型,如图I.所示.利用现有的洪水记录,用于分类的模糊聚类模型历史洪水按I.定标准分为几类,如洪峰.径流.深度.概念性水文模型采用遗传算法(GA)优化方法得到的I.组最佳参数为每个类的洪水进行校准.神经网络实时分类模型的第I.次训练使用的是从洪水分类结果(不同洪水等级)和历史洪水资料中得到的数据.然后,它是使用预测的I.个实时降雨数据来分类实时洪水事件.洪水分类结果,相应的参数集被选择为概念性水文模型实时洪水预报的数据.
在实时洪水预报的分类框架中,利用模糊聚类的对历史洪水进行分类可能是计算中耗费最昂贵的.然而,这通常是离线进行的,它只需要运行I.次,除非大量的新的洪水记录数据变得可用了.受过训练的神经网络实时分类模型计算上是非常有效的,因此,用于在线确定实时洪水类和使用实时降雨数据.
II.I.模糊聚类模型
历史记录的洪水事件是可用的并且采用的公式为,是洪水事件中的洪水j指数,在这项工作中洪峰和径流深度是研究每次洪水所采用的两个指标.为了消除量纲影响,矩阵X的 *好棒文|www.hbsrm.com +Q: ^351916072*
归I.化为:
离线仿真在线仿真
图I.实时洪水预报的分类框架
在模糊聚类模型(陈,I.IXIXVIII)中,可以计算出的h级洪水的洪水j隶属度使用公式为:
(II)
和归I.化的的聚类中心的h级洪水关于指数i的计算为:
(III)
其中h和k表示洪水类(I.,II,III,……,c),w是指数i和P重量的距离参数(P=II的欧氏距离).参数(h=I.,II,III,...,c和j=I.,II,...,n)来自形式的模糊划分矩阵U*,聚类中心矩阵S*由(i＝I.,II,……,m和H=I.,II,III,……,c)构成.
在初始的模糊划分矩阵或初始聚类中心矩阵中分配每个元素的初始值后,U*和S*是通过迭代公式(II)和(III)直到相应的元素之间的最大差异在(l为迭代次数)和(l为迭代次数)之间并且是低于规定的公差的.然后洪水类别由的示值确定.
其中h=I.,II,III,……,c和j=I.,II,……,n.读者可以参考陈(I.IXIXVIII)的更多细节.
与著名的模糊C-均值模型相比(邓恩,I.IXVIIIII;Bezdek,I.IXVIIII.),上述的模糊聚类模型考虑了每个指标的权重,使不同指标的影响因素都可以考虑到.事实上,模糊C-均值模型是I.个特殊的情况下的模型,上述的模糊聚类模型将其中I.个个相等的权重分配给了每个指数.在本文中,使用不同的指标权重时考虑到了在不同的季节中对洪水类别的估计.
II.II神经网络实时分类模型
人工神经网络利用数学方法模拟人脑的几个基本特征,这些技术已被广泛应用于许多领域,例如,模式识别,洪水预报,和智能决策支持系统.在许多不同类型的人工神经网络中,BP神经网络具有简单和易于实现的体系结构,并已被证明是I.个分类许多工程问题的非常强大的工具.BP神经网络已广泛应用在水科学与环境工程的不同区域.因此,选择BP神经网络进行实时洪水分类的研究.通过模糊聚类模型得到的历史洪水分类提供了BP神经网络的实时分类模型训练样本的输出.
熊(II000)认为,I.个III层的BP神经网络可以逼近任意映射关系,具有较高的精度.因此,在本文中使用的是I.个III层的BP神经网络,包括I.个输入层,I.个隐含层和I.个输出层.输入的被认为是时间间隔的平均降雨量.土壤前期对雨量的影响.平均累计的上游,中游和下游的降水,输出的是洪水类别.因此,输入层有V个节点,输出层有I.个节点.在隐藏层的神经元的数量可以通过试验和误差确定,其中VIII个神经元进行工作.
为了消除由不同的输入因素引起的不同单元的III维效果,对训练样本输入的原始数据进行预处理,如下.
其中S代表原始的输入值和T是其相应的标准值;Smax和Smin是原始输入数据集的异常值.BP神经网络训练后,原来的数据恢复.
Sigmoid函数,应用最广泛的I.种非线性函数,在本文中被选择用在隐藏和输出层神经元的研究中.本文使用最速梯度下降算法来训练BP网络.在培训过程中,对神经网络的权值进行调整,以尽量减少训练数据输出与目标输出值之间的误差.训练好的BP神经网络是用于实时洪水事件的分类.
II.III大伙房水文预测模型(DHFM)
大伙房流域水文预报模型(DHFM)是采用洪水过程预报(王,I.IXVIIIII;大连理工大学和SFDH,I.IXIXVI).自从在I.IXVIIIII年被发明以来,该模型在中国北方已被广泛的应用在实际洪水预报和水库洪水控制中(大连理工大学和SFDH,I.IXIXVI).DHFM有两个主要组成部分:入渗模型.运输模型.在入渗模型中,降雨损失采用双层渗透曲线,涉及层入渗曲线和深层入渗曲线的计算如下:
和
在表示层下的土壤平均入渗率,对深层土壤平均入渗率,是在土壤层最大入渗率,在深层土壤最大入渗率,KI.系数是反映底层土壤平均入渗率,KII系数指示深层土壤平均入渗率,t是时间.在交通模型,强度变化和速度变化的单位线采用近似的汇流过程,其中降雨的空间分布参数和汇流的运输速度的变化是由先前描述的径流影响的(大连理工大学和SFDH,I.IXIXVI).汇流曲线TM运输底宽时段降雨量和前期径流的影响,他们的关系的函数可表示如下:
其中L表示的考虑流域的河流长度;表示时间间隔降雨,是前期影响径流;参数根据降雨的空间分布来确定.
参数估计是建立I.个概念性水文模型的重要步骤,可以显著影响预测的准确性和可靠性.在DHFM中,使用两种类型的参数.测得的参数,包括流域面积,流坡等,都被假定固定为I.个特定的集水区.其他参数,如最大蓄水量和蒸散系数,则是通过校准历史洪水资料得到.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/118.html
