毕业论文基于BP神经网络和SVM的江口流域洪水预报研究

1、基于bp神经网络和svm的江口流域洪水预报研究 资源环境学院 资源环境与城乡规划管理（城乡规划管理方向） 马利华摘要：在matlab7.8软件基础上，利用江口流域1981年1月1日到1985年12月31日的降雨、蒸发、径流数据，应用bp模型和svm模型进行洪水预报模拟。结果显示，这两种模型在训练期的nash系数都达到了0.9以上，且在预测期的nash系数都达到了0.8以上。而且，svm模型的训练期nash系数达到了0.9770，bp模型达到了0.9588。svm预测期的nash系数达到了0.8865，bp模型为0.8197。结果分析表明svm模型对洪峰的预报精度较bp模型好。从总体上看，这两种

2、模型对于该流域的洪水预报效果都是比较好，并且就这两种模型相对而言svm模型的模拟的精度较高，其预报的效果较好。但是就不同流域而言这两种模型的选择还需进行模拟对比才能确定。关键词：洪水预报 bp神经网络 svmflood forecasting for the jiangkou river basin based on bp neural network and svm abstract: flood forecasting simulation for jiangkou river basin was conducted based on the svm and bp-ann model on

3、 matlab7.8 platform,using the rainfall, evaporation, runoff data from january 1,1981 to december 31,1985. results show that thenash coefficients for both the two models in the training period have reached more than 0.9, and in the forecast period, they have reached more than 0.8. moreover, svm model

4、s nash coefficient of training has reached 0.9770 and bp-ann model is 0.9588. svm models nash coefficient of forecast period has reached 0.8865 and bp-ann model is 0.8197. the results suggest that the peak forecast accuracy for svm model is better than that for the bp-ann model. in general, these tw

5、o models effect of flood forecasting for the basin is relatively good and the svm model simulation precision is higher and the forecast effect is better than bp model. but for the other different basins, it needs further simulation and comparison to make sure which model is better.keywords: flood fo

6、recasting bp neural network svm1 前言我国的防洪实践证明，工程措施与非工程措施的结合应用是建立和完善江河防洪系统的有效措施。工程措施包括：建筑堤防、防洪墙、分洪工程、河道整治工程、水库等。工程措施在我国已经经历相当长的一段时间了，也已经积累了相当丰富的经验了。非工程措施通常包括：加强防洪设施管理，保证防洪设施的防洪能力；在工程设施中充分考虑适应洪水短暂淹没的措施，以尽可能减少洪灾损失；建立健全通讯系统和预警系统；改进和发展洪水预报技术，提高防洪调度水平等。其中改进洪水预报方法、提高预报精度、实施洪水预报调度是非工程措施中最行之有效的办法12。洪水预报是根据现时已

7、经掌握的水文、气象资料，预报河流某一断面在未来一定时间内(称预见期)将要出现的流量、水位过程。研究水文预报方法开发水库实时洪水预报防洪调度决策支持系统，实现雨情水情资料的采集、传输、预处理、预报、调度的自动化，即联机实时洪水预报调度系统，是当前水情自动测报系统的发展方向345。 误差反向传播神经网络（back propagation ann-artificial neural network，称bp神经网络）6已经在生活中的各个领域有了充分的发展应用，尤其在洪水预报中的应用更加的成熟，人们已经通过不断地实验找到了许多更适合的方法对某流域进行洪水预报78。其甚至能够应用非线性的流域数据较精确地对

8、某流域的进行洪水预报。故将其应用到该流域将对双牌水库的防洪工作带来很大的帮助。支持向量机(support vector machines，简称svm) 9 在水文中的应用也在不断发展中，王景雷等10已将svm成功应用于地下水位预报，liong11亦已将svm 应用于水文预报中。svm模型能够较好地解决小样本、非线性、高维数等实际问题，还具有较强的泛化能力，能够克服不同洪水特性导致的洪水预报精度变化的，尤其是对洪峰流量预报的精度较高1213141516。尽管神经网络技术和支持向量机（svm）技术分别在洪水预报中的应用越来越广泛，其技术方法的不断改进使得预报的结果越来越精确，但这两项技术应用在同一

9、流域的洪水预报的效果差异须进行具体实验比较才能得出结果。而且，不同流域的洪水预报效果不同。本文拟通过svm和bp神经网络模型对江口流域的洪水预报模拟，以期探讨这两个模型在该流域的适用性。2 材料和方法2.1 研究区域概况本次研究以江口流域为研究区域，江口站位于汉江左岸支流褒河流域的上游，江口流域作为汉江流域的一个子流域，其的集水面积约2501km2，经度10648151072534，纬度333803341108，海拔高程约9003400m，水文流量控制站点为江口站。江口流域的气候属于亚热带季风气候，具有明显的垂直地带性，全年降雨多在7501000mm之间，降雨量年内分配不均，主要集中在69月。

10、流域内植被覆盖度高，自然植被保护良好，以温带落叶阔叶林为主，如栓皮栎林、锐齿栎林、红桦林以及一些杨、柳、槭林等杂木林，还有一部分温带落叶灌丛，如胡枝子灌丛、白刺花灌丛、绣线菊灌丛等，另外还包括少部分的温带和亚热带针叶植物如油松林、华山松林以及一些温带草丛和草甸。流域的土壤类型以黄棕壤、棕壤和淋溶褐土为主，土壤分布的空间差异较大。该流域在中国的位置见图1所示1718。图1 汉江流域的位置江口流域2.2 评价方法预报的精度是指预报值与实际值之间的差值。精度不高的预报，在生产上仅能作为一般参考。采用 nash-suttclife19效率系数ne来衡量模型模拟值与实测值之间的拟合度。ne值介于0与1之

11、间。ne值为1，表明模拟结果与实测值完全吻合；ne值越接近于1，表明模拟效果越好。ne系数的计算公式为： 式中： 样本数据系列长度；第i组样本实测值（观测值）；第i组样本模拟值（预测值）； 实测值平均值。2.3 数据获取与处理收集江口1981年1月1日-1985年12月31日每天一次观测的降雨、蒸发和径流数据资料。其中用1981年1月1日-1983年12月31日的1905个数据资料作为训练样本，用1984年1月1日-1985年12月31日的731个数据资料作为对模型进行检验的预测样本。将数据输入到matlab中，利用matlab软件对1981-1985的所有数据分别进行降雨、蒸发和径流数据进行

12、归一化处理。使得所有的数据值都在0.1-0.9的范围之内。归一化之后再将训练数据样本与预测数据样本分开。在对训练样本数据和预测样本数据以r(t-2)、r(t-1)、r(t)、q(t-2)、q(t-1)为输入样本和以q(t)为输出样本进行处理，得到最后的输入输出数据。2.4 试验方法2.4.1 bp网络模型建立与预报 首先，用处理后的训练样本输入数据和输出数据建立网络模型，并用此数据进行预报计算相应的nash系数值。通过不断调节隐含层数、输出函数等参数值，得到不同的nash系数值，从中选出nash系数值最高的网络模型。然后，用之前建立的模型对数据处理得到的预测期样本输入数据和输出数据进行洪水预报

13、并计算相应的nash系数值。再重新不断地调节调节隐含层数、中间层函数、输出函数等参数值，使预测得到的nash系数值符合水文预报的要求。最后，选出隐含层数为3，输出层为1，转移函数为logsig，训练函数为purelin， 输出函数为trainlm的网络模型，得到训练期的nash系数值为train_ne = 0.9588，预测期的nash系数值为test_ne =0.8197。2.4.2 svm模型建立与预报首先，用与bp模型建立相同的输入数据和输出数据，但是需要进行转置，因为svm模型的数据格式是目标样本必须为一个列向量，而之前数据处理得到的输出数据为行向量，故须进行转置。然后将数据带入寻优程

14、序svmcgforregress选出svm建模需要的最优参数核宽度系数g、惩罚系数c、不敏感系数p。具体操作为：首先设定p值为0.1，选择大的搜索区间：c=2-10210，步长为2，g =2-10210，步长为2，将训练集随机等分为5份，此时在经过第一次寻优后，所得最优参数组合为：c = 1.41421， g = 0.25， p=0.1，将其带入建模程序得到训练的nash系数值train_ne =0.8326，并用该模型对与bp相同的预测样本输入数据和输出数据的转置进行预测得到相应的nash系数值test_ne =-0.9783。然后，在再p值不变的情况下选择小一些的搜索区间：c=25210，

15、步长为0.5，g =2-525，步长为0.5，将训练集随机等分为5份，此时在经过第二次寻优后，所得最优参数组合为：c=16 ，g=0.35，p=0.1，又将其带入建模程序得到训练的nash系数值为train_ne = 0.9148，并用该模型对相同的预测样本输入数据和输出数据的转置进行预测得到相应的nash系数值为test_ne =0.2163。最后，进行参数的微调，并改变p的值。终选出最优的c、g、p的最优组合为c=16，g=0.35，p=0.005，将其相应的带入建模程序得到svm模型，并进行相应的nash系数值计算得到训练期的nash系数值train_ne = 0.9770和预测期的na

16、sh系数值test_ne =0.8865。3 结果与分析通过在matlab软件下运用江口流域的数据建立适宜的bp模型和svm模型，及对这两种模型的检验，在通过对纳西系数的计算得出了以下的结果与分析。3.1精度分析表1 bp和svm模型模拟值及精度的误差分析表表1显示了bp模型和svm模型对江口流域的洪水预报的总的预测情况。由此可知，相对而言svm模型在训练期与预测期的模拟结果精度都要稍大于bp模型的模拟结果。即可以得出，就该流域而言svm模型是较更适合的洪水预报模型。模型纳西系数(ne)训练期预测期bp0.95880.8197svm0.97700.88653.2洪峰值分析表2显示了bp和svm

17、这两种模型在训练期和预测期的模拟效果。由此可知在训练期bp模型在最大洪峰出的模拟结果相对而言要优于svm模型，但是在预测期bp模型的模拟值结果不及svm模型的模拟结果好。说明了svm模型的泛化相对而言效果要优于bp模型。表2 bp和svm模型模拟值及精度的误差分析表 观测值bp模拟值svm模拟值训练期峰值0.0735830.0735280.073127误差0.000000待添加的隐藏文字内容20.0000550.000456预测期峰值0.0116770.0083570.00952误差0.0000000.0033200.0021573.3训练期的对比分析图2为1981年1月1日到1983年12月

18、31日的径流观测值和bp模型的模拟值的时间序列，图3为1981年1月1日到1983年12月31日的径流观测值和svm模型的模拟值的时间序列。由图2和图3可知，从整体看，这两种模型在训练期的预测效果都较好。从局部看，在小洪峰处svm模型的总体结果要好于bp神经网路，但是在最大洪峰处bp模型的预测结果优于svm模型。在洪峰的前涨水过程svm模型的预测结果在训练器相对而言要优于bp模型的结果。图4为训练期bp模型绝对误差和svm模型绝对误差图。由图可知，从整体看，可以发现这两种模型的绝对误差值大部分都在0值处浮动，只有少数点的变化比较大，这表明了这两种模型都是属于比较好的预报模型。从局部看，svm模

19、型的绝对误差值浮动的范围要小于bp模型的绝对误差值。而且svm模型的浮动点要少于bp模型。说明svm模型的预测效果在训练期相对而言要优于bp模型图5为训练期bp模型相对误差和svm模型相对误差图。由图可知，从整体上看，这两种模型的相对误差值基本上都在3以下，都呈现出一种波动的状态，说明这两种模型的模拟效果都是比较好的。从局部上看，svm模型的波动较bp模型更规律，波动范围较小，突变的点较bp模型少。说明svm模型在该流域的预报精度在训练期相对而言高于bp模型。3.4 预测期对比分析图6为1984年1月1日到1985年12月31日的径流观测值和bp模型的时间序列，图7为1984年1月1日到198

20、5年12月31日的径流观测值和svm模型的模拟值的时间序列。由图6和图7可知，从整体上看，这两种模型在预测期的预测效果都比较好，都比较适合做洪水预报，从局部看， svm模型的在洪峰处的预测结果较bp模型更优，而且在次洪峰处的预测结果svm模型的预测结果与实际观测值更接近，尤其在洪水涨水与退水处预测值与观测值的拟合程度更高一些。说明了svm模型的泛化效果非常好。而且bp模型在洪水涨水前的模拟值明显高于观测值，这可能导致洪水的误报，造成经济财产的浪费。因此，svm模型相较于bp模型而言是更适合该流域的洪水预报的。图8为预测期bp模型与svm模型的模拟值与观测值之差的结果。由图可知，从总体上看，这两

21、种模型的绝对误差值都是比较小的，而且绝对误差值都基本上在0值出浮动，说明这两种模型在预测期的预报效果都是比较好的。从局部看，svm模型的绝对误差值较bp模型更趋近于0，而且波动幅度较小，在洪峰到来前的绝对误差较小，在洪峰处绝对误差虽大，但是仍小于bp模型。bp模型波动的长度要大于svm模型。故svm模型在预测期的预报结果较bp模型更精确，相对而言更适合该流域的洪水预报。图9为训练期bp模相对误差和svm模型的相对误差图。由图可知，从总体上看，这两种模型的相对误差值都小于3，只有极少数值超过3，说明这两种模型在预测期的预测结果是非常好的。而且相对误差值都呈现波浪式，在0-2之间变换。从局部看，

22、svm模型的相对误差值超出3的点只有一个，但仅在非洪水时期，对洪水预报的结果影响不大。除此之外svm模型的相对误差值浮动的点仅有少数，充分说明了svm模型在该流域的预测期的模拟效果是非常好的，即说明了svm模型的泛化能力相对而言较bp模型更优。而bp模型的相对误差值浮动的点就比较多，虽然bp模型在训练期的洪峰处预报结果较好，但是在预测期的洪峰预报结果并不如svm模型好。所以svm模型在预测期的预测效结果相对而言较bp模型更优，即svm模型更适合该流域的洪水预报。4 结论本文以江口流域1981年1月1日到1985年12月31日的降雨、径流数据在matlab软件下运用bp模型和svm模型进行了洪水

23、预报模拟，结果bp网络模型对江口流域的训练期的预测nash系数值为0.9588，在预测期的预测nash系数达到了0.8197，svm模型对江口流域的训练期的预测nash系数值为0.9770，在预测期的预测nash系数达到了0.8865。这表明svm模型相对而言较bp模型更适合该流域的洪水预报。就该流域而言，通过以上的结果与分析可以发现svm模型的绝对误差值浮动的范围要小于bp模型，而且svm模型的浮动点要少于bp模型，svm模型的相对误差值都呈现波浪式，相对误差值除了极少数点都在0-2之间波动，所以svm模型的预报效果相对而言是更优的。因为svm模型能够较好地解决小样本、非线性、高维数等实际问

24、题，还具有较强的泛化能力，能够克服不同洪水特性导致的洪水预报精度变化的，尤其是对洪峰流量预测期的预报精度较高。所以svm模型相对而言更适合该流域的洪水预报。由此，bp模型和svm模型在江口流域的洪水预报精度都是比较高的。但是因为bp模型和svm的模型特点不同，以及建立模型参数的不确定性，以及其泛化能力的不同，所以在对不同地方的洪水进行预报时，必须根据相应被测流域的水文资料建立相应的bp模型和svm模型。，对这两种模型进行比较，从而选出最优的。而不能一概而论的认为某一种模型更适合某一流域的洪水预报。参考文献：1 卢世浪.神经网络与模糊集理论在洪水预报中的应用d.辽宁大连,大连理工大学,2001:

25、1-3.2 散齐国.锦江流域洪水预报系统研究与开发d.湖北武汉,华中科技大学,2007:1-2.3 赵兰琴. fir神经网络及其在洪水预报上的应用d.湖北武汉,华中科技大学,2004:1-3.4 刘冬英.人工神经网络模型在长江中下游何道洪水预报中的应用研究d.湖北武汉,武汉大学硕士学位论文,2005:1-2.5 苑希民.神经网络和遗传算法在水科学领域的应用m.中国水利水电出版社,2002.6 金龙.神经网络气象预报建模理论方法与应用m.北京,气象出版社,2005.7 张海亮.洪水智能预报方法与系统研究d.陕西西安,西北农林科技大学,2006:33-45.8 苑韶峰,吕军.人工神经网络在我国水科

26、学中的应用与展望j.农机化研究.2003(4):5-8.9 陈永义,俞小鼎,高学浩等.处理非线性分类和回归问题的一种新方法( i )支持向量机方法简介j.应用气象学报,2004,15(3):345-346.10 王景雷等.支持向量机在地下水位预报中的应用研究j.水利学报,2003(5):122-128.11 林剑艺,程春田.支持向量机在中长期径流预报中的应用j.水利学报,2006,37(6):681-686.12 liong s y,sivapragasm c.flood stage forecasting with svmj.journal of the american water resources association,2002,38(1):73-186.13 胡彩虹,王艳菊,吴泽宁. 基于聚类的支持向量机在洪水预报中的应用j.郑州大学学报(工学版).2009.30(4):1-5.14 廖杰,王文圣,李跃清等.支持向量机及其在径流预报中的应用探讨j.四川大学学报(工程科学版),2006(6):22-28.15 guo rong,wang wei,wang xiaojuan school of optoelectronical engineering,xian technological university,xian,710032, o