宁夏青铜峡灌区是我国特大型古老灌区之一,其退水量通常占引水量的40%～60%。灌区退水量的科学预测,对确保黄河干流的科学调度和维持黄河健康生命具有重要的科学意义和生产应用价值。论文在查阅大量国内外相关文献资料的基础上,主要从灌区四水转化基本模式、地下水动态特征、退水量变化规律和影响因素等方面入手,采用调查分析、理论研究和模型预测相结合的技术路线,建立了青铜峡灌区退水量预报模型。主要研究成果为: (1) 灌区地下水埋深是影响灌区退水量的主要因素。地下水埋深受灌溉的影响呈季节性升降变化,最高水位和升降范围年际间保持相对稳定。对影响灌区地下水位埋深的各个影响因素进行了灰色关联分析,其影响因素大小依次是退水量、引水量、蒸发量和降雨量。应用BP神经网络理论建立了地下水埋深动态预报模型,并用实测数据进行了验证。 (2) 灌区引水量、地下水埋深、降水量和蒸发量等影响因素和灌区退水量之间具有密切的关系。灌区引水量、降雨量和退水量之间具有正相关性,其关系可近似用线性关系进行描述。地下水埋深、蒸发量和退水量之间具有负相关性。退水量和地下水埋深之间近似为幂函数关系,与蒸发量之间近似服从线性关系。为了进一步分析各个影响因素对退水量的影响大小,论文中利用灰色关联分析的西安理工大学硕士论文理论分析表明,引水量、地下水埋深、降雨量、蒸发量对退水量的影响大小依次为:灌区引水量>地下水埋深>降雨量>蒸发量。 (3)采用逐步线性回归和神经网络理论首次建立了青铜峡河东灌区灌溉期月退水量预报模型。通过逐步回归分析研究表明,采用三个变量(灌区引水量、地下水埋深和降雨量)的预测精度明显高于两个变量(引水量、地下水埋深)的模型精度,也稍高于四个变量(引水量、地下水埋深、降雨量和蒸发量)的模型精度。采用神经网络分析建模时,为了克服BP网络模型收敛速度慢、容易陷入局部极小点等缺点,提出了原始数据非线性规格化处理、GN一BFGS学习算法等改进方法;对对两种模型预测精度进行了对比分析,并用实际观测值进行了验证。通过分析认为,神经网络模型预测精度最高,可以用来进行灌区退水量实时调度预报。 (4)针对停灌期观测资料短缺等方面的问题,建立了退水量灰色系统月预报模型,对模型的残差进行了修正,并用实测数据对模型进行了验证。结果表明,该模型预测精度比较高,并能满足生产实际的需要。关键词:青铜峡灌区退水规律地下水动态神经网络逐步回归灰色系统 预测模型