洪水问题是一个全球性的问题,而且呈逐年上升趋势。水文模型一直是防洪非工程措施中的重要组成部分,水文模型发展至今已有70多年的历史,当前神经网络模型和分布式水文模型已成为研究的热点。本文以滨江流域为试验区对这两类模型进行了探讨,主要研究成果与创新点如下: 1) 建立了水位预报神经网络模型 神经网络自上世纪80年代就已经在水文预报中得到了应用研究,然而直接由降雨过程来预报流域出口断面水位变化的研究却很少见报道。本文利用滨江流域的降雨水位资料建立了水位预报模型。 a) 提出了比例系数BP网络训练算法,提高了网络的训练速度。 b) 将遗传算法与BP网络相结合为BP网络优化初始权值,从而避免网络的训练结果落入局部极小点,加快了网络的训练速度,提高了模型的预报精度。 c) 由于雨量与水位的单位不同而且变化范围相差较大,本文采用了压缩系数法按不同的标准对雨量数据和水位数据分别进行了处理。尤其对于水位数据,首先应该减去一个基准水位以提高水位变幅在水位数据中的比例。通过这样处理后模型对水位的识别能力得到了提高。 d) 针对流域雨量站稀少的特点,提出了充分利用有效点雨量信息的方案,从而改善了BP网络的模拟性能。 e) 提出了前馈网络与递归网络相结合的方案,即采用BP网络确定模型的参数然后采用递归网络进行预报,采用这种方案建立的实时水位预报模型,通过对未来3小时、6小时及9小时水位的预报得到了令人满意的结果。 2) 提出了基于神经网络的日降雨～径流耦合模型 由于简单线性模型能够从长序列的降雨～径流资料中捕捉流域的线性响应过程,本文根据滨江流域1990—2000年的日降雨～径流资料,首先利用简单线性模型对日径流量进行初步模拟,然后再利用神经网络对这一初步模拟值进行优化调整。通过实例验算,这样一种耦合模型得出了令人满意的结果。目前大多数降雨～径流神经网络模型需要将前期径流作为模型的输入,而本文提出的耦合模型不需要考虑前期径流,是神经网络在资料稀缺流域建模的有益尝试。