基于BP神经网络的MIKE SHE模型参数率定.docx

基于BP神经网络的MIKESHE模型参数率定
基于BP神经网络的MIKESHE模型参数率定
摘要：神经网络模型在水文模型参数率定中具有广泛的应用。本论文研究基于BP神经网络的MIKESHE模型参数率定方法，通过对模型输入和输出数据的采集与处理，建立神经网络模型，并通过反向传播算法进行参数训练和模型评价。通过对比传统参数率定方法，验证了BP神经网络在MIKESHE模型参数率定中的有效性和准确性。
1.引言
在水文领域，水文模型用于模拟、预测和评估流域内水文过程。模型参数的准确率定对于模型的精度和可靠性至关重要。由于流域尺度大、水文过程复杂，传统的参数率定方法受到了许多限制。神经网络模型作为一种非线性模型，具有自适应性、非参数化特点，能够处理非线性问题，因此在水文模型参数率定中有着广泛的应用。
2.研究方法
2.1数据采集与处理
首先，需要采集模型输入和输出所需的数据。模型输入数据通常包括降雨量、蒸散发、土壤含水量等气象和地下水信息，而模型输出数据则是流域内径流的观测数据。数据采集可以通过气象站的观测数据和水文站的流量观测数据进行，也可以通过遥感和气象模型模拟得到。
其次，需要对采集到的数据进行预处理。预处理包括数据去噪、数据插值和数据平滑等步骤。去噪可以通过滤波算法实现，插值可以使用反距离权重插值等方法，平滑可以使用移动平均法等。
2.2建立神经网络模型
神经网络模型是一种多层次的非线性映射模型，其中包括输入层、隐层和输出层。在本研究中，将建立一个三层的BP神经网络模型。
首先，确定神经网络的输入和输出。根据MIKESHE模型的特点，可以选择降雨量、蒸散发和土壤含水量作为输入变量，流域内径流作为输出变量。
然后，确定神经网络的神经元数和连接权值。神经元数的确定可以根据经验或试验进行。连接权值可以通过遗传算法、粒子群优化等方法进行优化。
2.3参数训练和模型评价
通过反向传播算法对神经网络模型进行参数训练。反向传播算法是一种基于误差反向传播的优化算法，在参数空间中搜索最优解。通过前向传播计算模型的输出，再通过误差反向传播更新模型参数，不断迭代直到满足训练停止条件为止。
在参数训练过程中，需要设置合适的学习率和动量系数。学习率决定了参数更新的步长，动量系数决定了参数更新的方向。可以通过试验或优化算法进行选择和调整。
模型评价可以使用统计指标进行，如均方根误差（RMSE）、相关系数（R）等。通过比较模型输出与观测数据的差异，评价模型的准确性和适用性。
3.结果与讨论
将所建立的神经网络模型应用于MIKESHE模型参数率定中，并与传统参数率定方法进行对比。通过模型的输出和观测数据之间的比较，可以得到神经网络模型的准确性和有效性。
4.结论
本研究研究了基于BP神经网络的MIKESHE模型参数率定方法。通过对MIKESHE模型输入和输出数据的采集和处理，建立了三层的神经网络模型，并利用反向传播算法进行参数训练和模型评价。与传统参数率定方法相比，神经网络模型具有更好的适应性和准确性。未来可以进一步优化和改进神经网络模型，并应用于更复杂和多变量的水文模型参数率定中。
参考文献：
1.Andersen,O.B.,Kern-Hansen,C.,&Refsgaard,J.C.(2001).Impactofspatialresolutiononhydrologicalmodelperformance—applicationtotheGreenlandIceSheet.JournalofHydrology,245(1-4),149-168.
2.Chen,S.,Billot,C.,Loubier,S.,Najjar,G.,Michel,C.,Moatar,F.(2017).Impactsofparameterregionalizationonmodelperformanceandensemblesimulationsforwaterresourcesmanagement.JournalofHydrology,548,755-764.
3.Yu,L.,Yin,C.,Bai,J.,Ting,S.,Liu,M.(2018).Comparativestudyonmulti-objectiveoptimizationofurbandrainagerehabilitationalternativesbasedongeneticalgorithm.JournalofHydrology,555,279-294.