【摘要】：水文模型是對現實世界中復雜水文過程的一種概化,模擬了降雨、匯流、蒸發(fā)等一系列水文現象。水文模型的研究是水文水資源科學研究領域中的重要部分,同時也是探究水文規(guī)律和模擬水文進程的重要工具,對流域的降水、地表截留和入滲、蒸散發(fā)、地下水、產匯流等過程的計算有不可替代的作用,正逐步應用于洪水分析與預測、水資源管理和水庫調度等領域。根據水文模型過程描述的不同,可以分為兩大類:概念性水文模型和基于物理機制的水文模型。每種水文模型都有很多表示水文過程的參數,這些參數很難從實際工程中測量得到,但是其取值對水文模型洪水預測結果有十分重要的影響,從而引申出了水文模型參數校準問題。在水文模型校準領域,不同的目標函數構造側重描述了水文過程的不同方面,有的側重于洪水整體過程線的擬合,有的側重于大徑流值的擬合或小徑流值的擬合等,所以根據不同的需求,選擇不同的目標函數對水文模型的洪水預報結果有不同程度的影響。同時,水文模型參數校準在實際工程中的應用表明,僅僅考慮單目標優(yōu)化只能體現水文過程某一個方面的特征,而實際工程中需要考慮的方面比較多,因而水文模型參數校準問題的多目標優(yōu)化模型研究應運而生。目前對于水文模型參數校準的研究主要集中在水文模型結構的改進和優(yōu)化算法的選擇與改進上,多數為單目標優(yōu)化,且目標函數的選擇比較主觀,沒有一個可以參考的原則。因此,本文首先分析了水文模型參數校準的誤差函數,使目標函數的選取有一個可以參考的原則,然后利用多目標進化算法優(yōu)化目標函數,接著采用集成學習的思想,提高了水文模型洪水的預測精度和泛化能力。本文的主要工作如下:1.水文模型誤差函數分析。目標函數的選取是水文模型參數校準的第一步,一般來說,利用輸出變量即預測徑流值和實測徑流值之間的差值來構造水文模型的目標函數,可以通過數學模型的建立最終歸結為一個最優(yōu)化問題,第一個需要關注的問題就是目標函數的選擇。本文選擇概念性水文模型:新安江模型,總結了新安江模型參數校準常用的誤差函數,因為新安江模型涉及的參數相對較多,屬于多決策因素實驗,所以選擇正交設計方法設計實驗,根據實驗結果分析了這些誤差函數是否適合作為新安江模型參數校準問題的目標函數。同時利用對試驗結果的進一步處理,對目標函數之間的相關性進行了分析。研究工作對水文模型參數校準問題的目標函數選擇有一定的參考價值,并對后續(xù)多目標優(yōu)化算法選擇目標函數提供了可參考的依據,同時研究方法也可以應用到其它的水文模型中。2.基于Pareto的多目標進化算法和集成學習在新安江水文模型參數校準上的應用。多目標進化算法對單場洪水的預測徑流量和實測徑流量的擬合度很高,但是泛化能力仍然有提升的空間。集成學習可以有效的提高模型的泛化能力,考慮多目標優(yōu)化問題中目標函數之間互相沖突,由多目標進化算法產生的Pareto解集可以滿足集成學習中基學習器需要滿足多樣性和準確性的要求。本文選用多目標進化算法NSGAII對目標函數優(yōu)化得到Pareto解集,然后利用集成學習的思想,從多目標進化算法得到的Pareto解集中選取部分解作為基學習器,最后利用回歸預測方法對基學習器的結果進行整合,實驗結果表明多目標進化算法與集成學習相結合可以提高新安江模型洪水預測的泛化能力和預測精度。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18;P334.92
【圖文】：

練集的數據相對于整個假設空間太少時就反映成了一個統(tǒng)，學習算法能夠在假設空間 H 中可以發(fā)現很多具有相同，外層曲線表示假設空間 H，內層曲線表示在給定的訓練的、準確性的假設集合，h1，h2，h3，h4是我們得到的 4的假設。因而可以通過構造一個集成假設來平均假設結果正確假設 h。計算角度分析：很多利用局部搜索的方法常常陷入局部最梯度下降法最小化訓練數據的誤差函數，決策樹算法利用情況下，盡管有足夠多的訓練數據，滿足了上述第一個條設，如圖 2.3 所示。集成利用整合多個從不同初始點出發(fā)更好的假設逼近真實假設 f。表示角度分析：在實際應用中，通常很難通過數據訓練在和真實假設f完全相同，通過對訓練得到的多個假設進行或許可以擴展假設空間的范圍，從而接近真實假設 f，如

西安電子科技大學碩士學位論文20圖3.2 東洋河流域圖3.4.1 正交設計方法通常在實驗設計中，對于決策因素比較少的實驗，我們可以通過窮舉的方法來研究實驗在決策因素所有組合情況下的表現，但是當決策因素個數比較多且取值范圍比較廣時，若仍采取全面試驗的方法，其規(guī)模將是十分龐大的，所花費的時間和精力也將難以估計。而且很多時候我們不需要窮盡所有可能的組合，因為很多實驗結果是重復的，只需要找到具有代表性的組合來進行實驗即可。正交設計方法就是一種解決多決策因素實驗的設計方法，即在決策空間均勻的選擇決策因素組合進行實驗，當在決策空間選取的點足夠多時就可以認為接近全面試驗的結果了。若選擇隨機取樣的方法，可能會使得樣本集中聚集在決策空間的某一部分

【參考文獻】

相關期刊論文 前7條

1 Si-min QU;Han LIU;Yan-ping CUI;Peng SHI;Wei-min BAO;Zhong-bo YU;;Test of newly developed conceptual hydrological model for simulation of rain-on-snow events in forested watershed[J];Water Science and Engineering;2013年01期

2 Xiao-meng SONG;Fan-zhe KONG;Che-sheng ZHAN;Ji-wei HAN;Xin-hua ZHANG;;Parameter identification and global sensitivity analysis of Xin'anjiang model using meta-modeling approach[J];Water Science and Engineering;2013年01期

3 郭俊;周建中;周超;王光謙;張勇傳;;概念性流域水文模型參數多目標優(yōu)化率定[J];水科學進展;2012年04期

4 張剛;解建倉;羅軍剛;;基于免疫克隆選擇算法的新安江模型參數率定[J];水力發(fā)電學報;2011年04期

5 公茂果;焦李成;楊咚咚;馬文萍;;進化多目標優(yōu)化算法研究[J];軟件學報;2009年02期

6 王宇平,焦永昌,張福順;解多目標優(yōu)化的均勻正交遺傳算法[J];系統(tǒng)工程學報;2003年06期

7 王建群,盧志華,哈布哈琪;求解約束非線性優(yōu)化問題的群體復合形進化算法[J];河海大學學報(自然科學版);2001年03期

本文編號：2762823