基于灰色BP神经网络模型的青衣江上游径流模拟研究

摘要

生态恢复对流域水文效益的影响研究是生态学科的前沿领域之一。生态恢复的效果主要体现在区域尺度上的资源和环境效应上，而生态恢复的重要环境效应之一是水文效应。本文以青衣江上游流域实施退耕还林、还草工程和“天保”工程之后的径流（1999年--2007年）为研究对象，分别采用GM(1，1)模型、BP神经网络模型及灰色BP神经网络模型对1999年--2006年月径流和年径流进行模拟，并检验2007年的预测效果，比较各个模型的模拟、预测效果，以期寻找出在青衣江上游植被恢复对径流影响适应性较好的模型，为青衣江流域水资源的预测预报及对水资源的开发利用提供理论依据。
　　 以1999年--2006年实测径流数据作为基础数据或训练数据，利用NASH系数对得到的模拟值进行模型的模拟效率比较分析，结果表明：三种模型的月径流模型效率(NASH系数)均较高。从平均月径流的模型效率来看，灰色BP神经网络模型(97.99％)＞BP神经网络模型(97.45％)＞GM(1，1)模型(91.60％)。从年径流的模型效率来看，BP神经网络模型(98.57％)＞灰色BP神经网络模型(95.96％)＞GM(1，1)模型(92.74％)。
　　 以1999年--2006年实测径流数据作为基础数据或训练数据，对青衣江上游2007年的月径流和年径流进行预测，并通过计算相对误差比较月径流和年径流的预测效果。从月径流的平均预测效果（平均相对误差）来看，BP神经网络模型(5.16％)＞灰色BP神经网络模型(23.69％)＞GM(1，1)模型(25.24％)。从年径流预测的效果（相对误差）来看，BP神经网络模型(1.18％)＞灰色BP神经网络模型(10.56％)＞GM(1，1)模型(15.43％)。
　　 综上，GM(1，1)模型、BP神经网络模型及灰色BP神经网络模型对青衣江上游径流（月径流和年径流）的模拟及预测效果均较好，其中模拟效果最好的为灰色BP神经网络模型，预测效果最好的为BP神经网络模型，这两个模型都可在今后青衣江径流的模拟及预测预报中作为首选模型。

目录

文摘

英文文摘

1 前言

1.1 研究背景

1.2 国内外研究现状

1.2.1 地表径流的研究方法

1.2.2 GM(1，1)模型

1.2.3 BP神经网络模型

1.2.4 灰色BP神经网络模型

1.2.5 地表径流研究的其他模型、方法

1.3 本研究的目的及意义

2 研究区域概况

2.1 青衣江流域概况

2.1.1 地理位置

2.1.2 地形地貌

2.1.3 气象特征

2.1.4 径流特征

2.1.5 社会经济概况

2.2 青衣江上游流域概况

2.3 多营坪水文站概况

3 模型原理及构建

3.1 GM(1，1)模型

3.1.1 GM(1，1)模型的基本原理

3.1.2 建立GM(1，1)模型的基本步骤[71]

3.1.3 GM(1，1)模型的实现平台

3.2 BP神经网络模型

3.2.1 BP神经网络模型的基本原理

3.2.2 建立BP神经网络模型的基本步骤

3.2.3 BP神经网络模型的实现平台及参数设置

3.3 灰色BP神经网络模型

3.3.1 建立灰色BP神经网络模型的基本步骤

3.3.2 灰色BP神经网络模型的实现平台

3.4 模型模拟数据的划分

3.5 模型效率评价

3.6 模型预测效果评价

3.7 数据来源

4 结果与分析

4.1 GM(1，1)模型的模拟结果分析

4.1.1 GM(1，1)模型对青衣江上游月径流的模拟结果

4.1.2 GM(1，1)模型对青衣江上游年径流的模拟结果

4.2 BP神经网络模型的模拟结果分析

4.2.1 BP神经网络模型对青衣江上游月径流的模拟结果

4.2.2 BP神经网络模型对青衣江上游年径流的模拟结果

4.3 灰色BP神经网络模型的模拟结果分析

4.3.1 灰色BP神经网络模型对青衣江上游月径流的模拟结果

4.3.2 灰色BP神经网络模型对青衣江上游年径流的模拟结果

4.4 三种模型的模型效率分析

4.5 三种模型的预测效果分析

5 结论

5.1 灰色及BP神经网络模型对青衣江上游径流的模拟

5.2 灰色及BP神经网络模型对青衣江上游径流的预测

参考文献

致谢