CN110689182A - 一种考虑径流预测的多目标雨量站网设计方法 - Google Patents
一种考虑径流预测的多目标雨量站网设计方法 Download PDFInfo
- Publication number
- CN110689182A CN110689182A CN201910890913.8A CN201910890913A CN110689182A CN 110689182 A CN110689182 A CN 110689182A CN 201910890913 A CN201910890913 A CN 201910890913A CN 110689182 A CN110689182 A CN 110689182A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- runoff
- stations
- station
- station network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000013433 optimization analysis Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种考虑径流预测的多目标雨量站网设计方法，所述方法根据雨量站点间信息冗余最小、雨量站对下游流量站信息传递最大和面平均雨量预测偏差最小的多目标准则，通过基于NSGA‑II的遗传算法对研究区雨量站网优化设计，利用人工神经网络(ANN)降雨‑径流模型评价优化结果对径流预测精度的影响。本发明方法将雨量站网优化和降雨‑径流模型相结合，从径流预测的角度补充了现有站网优化分析和设计的不足，并提出了一种适用性良好的雨量站网优化设计框架及方法。
Description
技术领域
本发明涉及雨量站网优化计技术，具体涉及一种考虑径流预测的多目标雨量站网设计方法。
背景技术
地面雨量站是降水数据的直接和重要来源，一个地区的雨量站网为收集流域降水信息、洪水预报、水位监测等提供了重要分析依据，合理的雨量站网评估和优化是一个重要的探讨话题。
关于站网优化的研究方法主要包括：(1)基于统计的方法；(2)基于信息论的方法；(3)用户调查方法；(4)地形组成成分；(5)样本策略；(6)耦合方法等。
近年来更普遍受到关注的方法多集中在信息论方面，并且已经形成了基于信息熵理论的几种站网优化思路，按照Fahle等人的分类大致包括：(1)推导站点间最小地理距离或是建立区域信息地图；(2)按照目标函数给出最优站点集合或排序；(3)基于多个指标的多目标站网优化等。
站网优化评价的一个重要问题就是对站网中站点评价体系的建立和优化结果的评估。信息熵理论在这一过程中最大的优点就在于将站网体系的信息冗余和信息传递直观量化，从而便于建立合理的评价目标函数，进行优化分析。目前基于信息熵理论得到广泛认可的站网优化思路大致可以概括为：最大化信息量和最小化冗余量，基于这种思路的一种实现方法是Li等人提出的MIMR贪心算法。MIMR运用了贪心排序算法，首先选取边缘熵(信息量)最大的站点，再按照信息量最大化冗余量最小化的标准逐步选出站点，直到达到设定的阈值为止。另一种实现方法则是基于几个指标的多目标优化，指标包括信息量最大，冗余量最小，信息传递量最大等。
发明内容
发明目的：为了克服现有雨量站网设计中的优化结果应用问题，本发明提供一种考虑径流预测的多目标雨量站网设计方法。
技术方案：一种考虑径流预测的多目标雨量站网设计方法，包括多目标站网优化和建立降雨-径流模型，步骤如下：
(1)获得雨量站网中所有站点的降水数据和河流节点水文站的流量数据；
(2)建立多目标优化任务，包括最小化雨量站点间的信息冗余量、最大化雨量站对下游流量站信息传递量和最大化面平均雨量预测效率；
(3)利用NSGA-II遗传算法对多目标优化问题寻优求解得到最优站点组合；
(4)对最优雨量站点组合计算得到的面平均雨量、待预测径流的目标流量站上游水文站的流量数据建立人工神经网络降雨-径流预测模型；
(5)根据流量过程线和相关指标对降雨-径流模型的流量预测结果进行评价。
进一步的，步骤(1)所述的降水数据为所有站点的逐日降水量，所述的流量数据为各个节点水文站的逐日径流量，包括获得的数据集划分为训练集和验证集。
进一步的，步骤(2)构建多目标优化任务中，描述雨量站点间的信息冗余量TC，雨量站对下游流量站信息传递量MT和面平均雨量预测效率NSC，其表达式为：
其中，X是雨量站点，Q是待预测径流的目标流量站，n是雨量站网中所有站点的数目，xt是t时刻面雨量的估计值，pt是t时刻面雨量的真值，
是雨量站网在观测期所有时刻的面雨量平均值。
其中，第二个优化目标将径流数据耦合到雨量站网优化目标中，为考虑径流预测提供了理论依据。
进一步的，步骤(3)中利用带精英策略的非支配排序遗传算法NSGA-II，对多目标优化任务进行求解得到最优站点组合的帕累托解集。
进一步的，步骤(4)将雨量站网优化结果进一步应用于降雨-径流预测模型中，所述的人工神经网络降雨-径流预测模型数学表达式为：
Q＝fANN(a1,a2,…,an,b)
其中，fANN代表了人工神经网络模型，a1,a2,…,an为几个节点水文站的径流量，b为根据最优站点组合计算得到的平均面雨量，Q为目标站流量预测值，其中人工神经网络训练方法采用误差逆传播算法。
进一步的，步骤(5)利用流量过程线和相关指标对降雨-径流模型的流量预测结果进行评价的表达式为：
其中，Qobs是t时刻流量的观测值，Qpred是t时刻流量的预测值，
是观测期所有时刻流量的平均值。
比较多目标雨量站网设计方法得到的最优站点组合与随机选择雨量站点组合两种情形下的径流预测结果，可知考虑径流预测的多目标雨量站网设计方法在平均程度上具有更优的径流预测表现。
有益效果：与现有技术相比，本发明所提供的一种考虑径流预测的多目标雨量站网设计方法，将站网优化与径流预测模拟耦合应用到雨量站网优化评价中，显著效果如下：
1、多目标优化中既考虑了基于信息熵理论的站网系统信息冗余和信息传递，又兼顾了雨量站网对平均面雨量的估计偏差；
2、将优化结果应用于后续的降雨-径流模拟，从径流预测的角度补充了现有站网优化分析的不足，可进一步应用于洪水和水文预报评价；
综上所述，本发明将雨量站网设计和降雨-径流模型结合起来，既能解决雨量站网优化设计中目标体系与评价体系的不一致性，又能为下游控制站防范洪峰起到指导性作用，具有合理性和有效性。
附图说明
图1为本发明的流程图；
图2为实施例的研究区示意图。
图3为实施例的雨量站网设计用于径流模拟的结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
考虑径流预测的多目标雨量站网设计方法，将站网优化和径流预测模拟耦合引入雨量站网优化的评价中，建立了基于雨量站点间信息冗余最小、雨量站对下游流量站信息传递最大和面平均雨量预测偏差最小的多目标站网优化方法。该方法包括如下步骤：
(1)获得雨量站网中所有站点的降水数据和河流重要水文站的流量数据，同时将数据集划分为训练集和验证集；
(2)基于信息最优和面雨量估计最优构建多目标优化任务：最小化雨量站点间的信息冗余量TC，最大化雨量站对下游流量站信息传递量MT和最大化面平均雨量预测效率NSC，其表达式为：
其中，X是雨量站点，Q是待预测径流的目标流量站，n是雨量站网中所有站点的数目，xt是t时刻面雨量的估计值，pt是t时刻面雨量的真值(视为站网中所有站点的估计值)，
是雨量站网在观测期所有时刻的面雨量平均值；
(3)利用带精英策略的非支配排序遗传算法NSGA-II对多目标优化问题寻优，求解得到最优站点组合；
(4)对最优雨量站点组合计算得到的面平均雨量、待预测径流的目标流量站上游水文站的流量数据建立人工神经网络(ANN)降雨-径流预测模型，利用2008-2010年的日值数据进行模型训练和2011-2012年的日值数据进行模型验证；
(5)利用流量过程线和相关指标(纳什效率系数NSE和均方根误差RMSE)对降雨-径流模型的流量预测结果进行评价，其表达式为：
其中，Qobs是t时刻流量的观测值，Qpred是t时刻流量的预测值，是观测期所有时刻流量的平均值。NSE值代表预测值接近观测值的平均值水平，NSE值越接近于1代表模型预测结果越好。
RMSE值代表预测值与观测值之间的偏差和离散程度，RMSE越小代表预测值越接近于观测值。
本发明以渭河流域雨量站网(26个格点站点)及四个重要流量站(魏家堡站、咸阳站、临潼站、华县站)为例，降雨和径流的日值时间序列总长为五年(2008-2012年)。验证了考虑径流预测的多目标雨量站网设计方法的合理性和有效性。
1.1流域概况
研究区为黄河流域泾洛渭区(渭河水系)，渭河是黄河最大的支流，横跨甘肃东部和陕西中部，全长818公里，流域总面积134766平方公里。其中渭河中下游水文站包括魏家堡站、咸阳站、临潼站和华县站，而华县水文站是渭河下游的主要控制站，是三门峡水库进库站之一，对华县站的流量预测和监控具有极其重要的意义(附图2)。
1.2多目标优化
按照三个目标函数对26个格点雨量站组成的雨量站网进行多目标优化，利用带精英策略的非支配排序遗传算法NSGA-II求解，遗传算法的参数种群数设置为200，代数设置为200，附图2给出了得到的帕累托最优解，并选取其中三个案例(最小化雨量站点间的信息冗余量TC、最大化雨量站对下游流量站信息传递量MT、最大化面平均雨量预测效率NSC)进一步分析(表1)。
表1多目标优化最优解集的四种情况
由四种不同情形下的优选结果可知，考虑单个目标函数在目标值上存在差异，在优选站点数和具体站点集合上的差异更为明显。
(1)将情形1(最小化信息冗余TC)和其他情形进行对比，选出的站点数仅为3个站。虽然此情形下雨量站点间的信息冗余TC值远小于其他三种情况，但对流量站的信息传递量也较小，面雨量估计效率NSC值也偏小；
(2)情形2和情形3的结果基本相似，选出站点数相同，站点集合的重合度也较高；同时，可以发现第二个和第三个目标函数不存在明显冲突，即雨量站点更多的信息传递量和更高的面雨量估计效率有相似的优化结果；
1.3降雨-径流模型
利用反向传播人工神经网络(BP-ANN)建立降雨-径流模型，其中神经网络结构为5-10-1(输入层节点数为5，隐藏层节点数为10，输出层节点数为1)。将多目标优化(Multi-Objective Optimization，MOO)后的站点组合得到的平均面雨量和几个水文站的流量作为输入，训练BP-ANN并预测2011-2012年的日径流量。同时对站网中的站点进行随机选择，将随机选择的站点组合得到的平均面雨量和几个水文站的流量也作为输入，训练BP-ANN并预测2011-2012年的日径流量。比较所有优化组合(MOO)、三种具体情形(MOO-1、MOO-2、MOO-3)和随机组合(Random)，2000次流量预测结果的NSE和RMSE的中位数和均值结果如附图3所示。
可以发现，多目标优化站点组合(MOO)用于径流预测的NSE和RMSE总体要优于随机站点组合，体现在更高的NSE中位数和均值，以及更低的RMSE中位数和均值。其中，前三种情形(MOO-1、MOO-2、MOO-3)的NSE和RMSE也要优于随机站点组合，表明即便在情形1只选取了三个站点的情况下也有更优的降雨-径流模拟结果。
Claims (6)
1.一种考虑径流预测的多目标雨量站网设计方法，其特征在于：包括多目标站网优化和建立降雨-径流模型，步骤如下：
(1)获得雨量站网中所有站点的降水数据和河流节点水文站的流量数据；
(2)建立多目标优化任务，包括最小化雨量站点间的信息冗余量、最大化雨量站对下游流量站信息传递量和最大化面平均雨量预测效率；
(3)利用NSGA-II遗传算法对多目标优化问题寻优求解得到最优站点组合；
(4)对最优雨量站点组合计算得到的面平均雨量、待预测径流的目标流量站上游水文站的流量数据建立人工神经网络降雨-径流预测模型；
(5)根据流量过程线和相关指标对降雨-径流模型的流量预测结果进行评价。
2.根据权利要求1所述的考虑径流预测的多目标雨量站网设计方法，其特征在于：步骤(1)所述的降水数据为所有站点的逐日降水量，所述的流量数据为各个节点水文站的逐日径流量，包括获得的数据集划分为训练集和验证集。
3.根据权利要求1所述的考虑径流预测的多目标雨量站网设计方法，其特征在于：步骤(2)构建多目标优化任务中，描述雨量站点间的信息冗余量TC，雨量站对下游流量站信息传递量MT和面平均雨量预测效率NSC，其表达式为：
其中，X是雨量站点，Q是待预测径流的目标流量站，n是雨量站网中所有站点的数目，xt是t时刻面雨量的估计值，pt是t时刻面雨量的真值，
是雨量站网在观测期所有时刻的面雨量平均值。
4.根据权利要求1所述的考虑径流预测的多目标雨量站网设计方法，其特征在于：步骤(3)中利用带精英策略的非支配排序遗传算法NSGA-II，对多目标优化任务进行求解得到最优站点组合的帕累托解集。
5.根据权利要求1所述的考虑径流预测的多目标雨量站网设计方法，其特征在于：步骤(4)将雨量站网优化结果进一步应用于降雨-径流预测模型中，所述的人工神经网络降雨-径流预测模型数学表达式为：
Q＝fANN(a1,a2,…,an,b)
其中，fANN代表了人工神经网络模型，a1,a2,…,an为几个节点水文站的径流量，b为根据最优站点组合计算得到的平均面雨量，Q为目标站流量预测值，其中人工神经网络训练方法采用误差逆传播算法。
6.根据权利要求1所述的考虑径流预测的多目标雨量站网设计方法，其特征在于：步骤(5)利用流量过程线和相关指标对降雨-径流模型的流量预测结果进行评价的表达式为：
其中，Qobs是t时刻流量的观测值，Qpred是t时刻流量的预测值，
是观测期所有时刻流量的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910890913.8A CN110689182B (zh) | 2019-09-20 | 2019-09-20 | 一种考虑径流预测的多目标雨量站网设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910890913.8A CN110689182B (zh) | 2019-09-20 | 2019-09-20 | 一种考虑径流预测的多目标雨量站网设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689182A true CN110689182A (zh) | 2020-01-14 |
| CN110689182B CN110689182B (zh) | 2022-12-27 |
Family
ID=69109706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910890913.8A Active CN110689182B (zh) | 2019-09-20 | 2019-09-20 | 一种考虑径流预测的多目标雨量站网设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689182B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545344A (zh) * | 2022-11-07 | 2022-12-30 | 长江水利委员会长江科学院 | 山洪小流域雨量站网布局优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101703981B1 (ko) * | 2016-03-31 | 2017-02-08 | 광주과학기술원 | 강우예측을 이용한 하수처리시설의 제어방법 |
| CN107315722A (zh) * | 2017-07-03 | 2017-11-03 | 南京大学 | 基于克里金和信息熵理论相结合的水文站网优化模型 |
| CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
-
2019
- 2019-09-20 CN CN201910890913.8A patent/CN110689182B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101703981B1 (ko) * | 2016-03-31 | 2017-02-08 | 광주과학기술원 | 강우예측을 이용한 하수처리시설의 제어방법 |
| CN107315722A (zh) * | 2017-07-03 | 2017-11-03 | 南京大学 | 基于克里金和信息熵理论相结合的水文站网优化模型 |
| CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| WANG WENQI: ""optimization of rainfall networks using information entropy and temporal variability analysis"", 《JOURNAL OF HYDROLOGY》 * |
| 袁艳斌等: ""基于多目标准则的流域站网优化"", 《河海大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545344A (zh) * | 2022-11-07 | 2022-12-30 | 长江水利委员会长江科学院 | 山洪小流域雨量站网布局优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689182B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423546B (zh) | 基于Copula函数的多变量水文不确定性处理方法 | |
| CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
| CN110458359B (zh) | 一种基于未完全截污条件下的平原河网水量水质优化调控方法 | |
| Ahmadi et al. | Adaptive reservoir operation rules under climatic change | |
| CN111737853B (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
| CN115759459B (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN108830419B (zh) | 一种基于ecc后处理的梯级水库群入库流量联合预报方法 | |
| CN107766694A (zh) | 基于fcm‑nsga‑ii的水文模型参数估计方法 | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| KR20090093520A (ko) | 유역통합 물관리 의사결정지원방법 | |
| CN110689182B (zh) | 一种考虑径流预测的多目标雨量站网设计方法 | |
| Ranjbar et al. | Framework for a digital twin of the Canal of Calais | |
| CN115238513A (zh) | 一种考虑气候与土地利用变化的流域径流集合预报方法 | |
| CN114969655A (zh) | 流域输沙量的模拟估算方法 | |
| CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
| Huang et al. | GIS-based distributed model for simulating runoff and sediment load in the Malian River Basin | |
| Gastaldi et al. | Short-term forecasting of municipal load through a Kalman filtering based approach | |
| CN116882741A (zh) | 一种超标准洪水灾害动态定量评估方法 | |
| CN115496128A (zh) | 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法 | |
| CN110110391A (zh) | 一种基于区域划分的缺实测径流资料流域的洪水估算方法 | |
| Liu et al. | Intelligent forecasting model for hydrological and water resources system | |
| Khatib et al. | Modeling of solar energy for Malaysia using artificial neural networks | |
| KR101859109B1 (ko) | 강우예측을 이용한 저영향개발시설의 제어방법 | |
| CN114692432A (zh) | 一种城市暴雨积水模拟实时订证的预报系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |