当前世界环境

介绍

日、月或更长时间间隔的流量预报对水资源系统的可靠运行至关重要。可靠的河流流量预测可以有效地为水力发电、农业和家庭等相互竞争的用水户分配水资源，以维持环境流量。开展了气候变化对水电工程影响评价的各项研究。^1，2可能产生的影响可分为三个方面，即:(a)可用的排水量可能发生变化;水文通常与当地的天气条件有关，例如集水区的温度和降水。⁸这将影响水电项目的经济和财务变化。由于季节变化，如果水流发生变化，可以利用水库进行不同的发电操作，如峰负荷与基负荷。(b)预计气候变化的增加可能引发极端气候事件洪涝和干旱。水文模型表明，孟加拉国遭受极端洪水的风险很大，这导致恒河、雅鲁藏布江和梅克纳河三条区域河流的峰值流量持续增加。(c)改变水文和可能发生的极端事件必然影响沉积物的危险和措施。由于泥沙和其他因素(如水成分的变化)的影响，水电工程可能会遭受很大的水轮机侵蚀。¹³有几种建模技术已经被世界各地的研究人员用于缩小尺度和气候评估，如支持向量机，人工神经网络，²其中人工神经网络已被有效地应用于各种水相关过程的建模。人工神经网络的灵感来自于人类的大脑功能。由于更先进的算法的发展和更强大的计算机的出现，它经历了一次巨大的复兴。在数学上，人工神经网络通常被视为一种普遍的近似。从给定模式中识别关系的能力使人工神经网络适合于分析和解决模式识别、非线性建模和分类等大规模复杂问题。前馈神经网络模型在河流流量预测中的实用性优于回归分析或线性模型等传统模型。^3.建立了山地流域的人工神经网络模型，得出了输入变量的选择，定义了模型在校准过程中的学习强度。结果表明，春、夏两季的月流量较其他方法的计算结果得到了较好的反映。⁵类似的发现已经被⁶是赫玛瓦提河流域的一部分。训练后的网络可用于单步预测和多步预测。结果表明，递归神经网络在单时间步长和多时间步长预测月度河流流量方面都优于FFN。

如上所述，气候变化将改变水范围的发生和分布。因此，该项目的主要重点是观察气候变化对兰干纳迪河未来流量情景的可能影响，以及随后对水力发电的影响。¹⁴Ranganadi是布拉马普特拉河的一条支流。为了预测未来的流量，建立了一个人工神经网络模型来缩小GCM数据的规模。然后用人工神经网络降尺度模型来预测未来河流的流量。⁷对此的具体目的如下:(A)了解气候变化对Ranganadi河流量可能产生的影响。(B)对Ranganadi水力发电的影响。

研究区域

研究区为Ranganadi河，面积约1749平方公里。km是雅鲁藏布江的主要支流之一。它起源于**的Tapo山脉。研究区域位于图2.1所示的印度布拉马普特拉河流域，位于东经94 °02′34”至北纬27 °14′01”之间。Ranganadi河的流量由Ranganadi 405 MW水电项目大坝调节。Ranganadi大坝是位于**的Ranganadi河上的混凝土重力坝，为一系列河流方案提供服务。该大坝计划用于水力发电，是Ranganadi水电项目一期工程的一部分，并支持位于27Ëš15 ' 27 " N 93Ëš47 ' 32 " E的405兆瓦的Dikrong发电厂。

图2.1:Ranganadi集水区 点击此处查看图

数据使用

流量数据

在本研究中，根据可用性，使用了1972-1982年和2001-2009年两个不同时间段的20年月度流量数据。

Gcm数据

环流模式(GCM)是海洋或行星大气环流的数学工具，在考虑温室气体和环境影响的情况下，模拟全球气候变化的时间序列。⁵GCM也被称为全球气候模式。本研究使用了三种GCM (HadCM3、CGCM2和GFDL)进行影响评估。HadCM3代表哈德利中心耦合模型版本3。该模型不需要通量调整。在该模型中，CGCM3的空间分辨率大致为纬度2.5度和经度3.75度。CGCM2代表第二代夫妇全球气候模式。大气全球气候模式和海洋全球气候模式是该模式的两个主要组成部分。CGCM2的空间分辨率大致为经纬3.75度，垂直31层。在OGCM2中，空间分辨率为1.85度，垂直水平为29。地球物理流体动力学实验室(GFDL)是大气-海洋环流耦合模式。该模式已被证明对观测到的热带大西洋的季节周期和年际变化进行了非常忠实的模拟。空间分辨率为纬度2.25度，经度3.75度。

图3.1:研究区域选定的GCM点 点击此处查看图

材料与方法

降尺度是一种从模型中获取输出并以较小的尺度添加信息的技术。全球气候模式(GCMS)以较粗的空间分辨率运行，由于云层和其他影响，不能直接用于局部影响研究。为了克服这一问题，从gcm提供的区域尺度大气变量中获得局地尺度地面天气参数的降尺度方法应运而生。¹⁵神经网络是水文预报方法学分析的工具之一。¹⁶它可以被认为是一种涉及搜索和匹配过程的计算模式，它允许在不熟悉物理过程的情况下进行预测。神经网络寻求输入和输出数据之间的关系，然后以迭代的方式创建自己的方程来匹配模式。¹⁷在本研究中，通过改变不同的算法，将隐藏神经元的数量从1到15，学习率从0.01到0.9，动量因子从0.01到0.9的各种组合来确定最佳模型。预测分为三个明显不同的阶段。它们是训练模式，验证和测试阶段。在训练模式中，输出被链接到尽可能多的输入节点，并定义模式。根据该误差对网络进行调整。在此阶段使用验证数据集以确保模型不会过度训练。在测试阶段，使用未用于训练的数据集对模型进行测试。

数据在进入神经网络之前被归一化。由于算法的性质，较大的值会减慢训练过程。这是因为s型函数在极值处的梯度接近于零。Mean and Standard Deviation (mapstd)，一种缩放网络输入和目标以最小化训练集的标准差和均值的方法。mapstd函数将输入和目标归一化，使它们具有零均值和单位标准差。原始网络输入和目标以矩阵和形式给出。它们实际上是网络的一部分，就像偏差和网络权重一样。在此之后，输出被转换回相同的单位。¹¹

预测因子的选择

Pearson相关性是预测因子与预测因子之间的简单相关性。在相关检验中，“0”表示弱相关，“1”表示强相关。

表4.1给出了实测水流数据与GCM模拟数据的相关性

S.NO。	HadCM3预测	HadCM3与1点观测径流量的相关性
1	海平面压力	0.2396
2	相对湿度	-0.0459
3.	相对humidity@200 hpa	0.0789
4	相对humidity@500 hpa	0.2088
5	地质势高度@200 hpa	0.0186
6	地质势高度@500千帕	0.0088
7	地质势高度@850千帕	-0.3064
8	短波辐射通量	0.2471
9	湿度混合比	0.1030
10	温度	0.1971
11	Temperature@850 hpa	0.2147
12	最高温度	0.2053
13	最低温度	0.1688

根据该表，显示最佳相关性值的预测器将在下一步中使用。


表4.2:选定预测因子列表

位置	预报值	预测
点	径流	平均海平面压力 地表气温 空气temperature@850 hpa 相对humidity@500 hpa 短波辐射

表4.3:CGCM2与观测值的相关性

S.NO。	CGCM2预测	CGCM2与观测径流量的相关性
1	海平面压力	-0.2133
2	速度的U分量	0.0129
3.	露点下降	0.1643
4	温度	0.1672
5	Geo-potential高度	- 0.0227
6	地质势高度@500千帕	-0.221
7	流函数	-0.0485
8	短波辐射通量	-0.2790
9	总降水量	0.1760
10	最高温度	0.1686
11	最低温度	0.1657

表4.4:选定预测因子列表

位置	预报值	预测
点	径流	平均海平面压力
		地表气温
		马克西。温度
		迷你。温度
		总降水量

表4.5:GFDL与观测数据的相关性

S.NO。	GFDL预测	GFDL与观测径流量的相关性
1	Shoret波	-0.1991
2	可察觉的水	0.0193
3.	总降水量	-0.0256
4	压力	0.0220
5	温度	0.0701
6	露点下降	0.1585
7	你的风	-0.991
8	V风	-0.0339

表4.6:选定的预测因子列表

位置	预报值	预测
点	径流	总降水量 温度 露点下降 可察觉的水

绩效指标

为了获得拟合优度，人工神经网络模型采用了相关系数(R)和均方误差。

结果

本章讨论了基于人工神经网络的流流建模的结果。本文尝试建立人工神经网络模型来预测兰干纳迪河的水流。采用均值和标准差(mapstd)函数在MATLAB中对所有输入数据和目标数据进行尺度变换。本研究利用3种GCM模型为基于降尺度方法的人工神经网络模型提供输入参数，利用HadCM3、CGCM2和GFDL模型对Ranganadi河的流量进行预测。对于每一个GCM模型，我们都改变了七种不同的算法来实现最佳的人工神经网络模型。由于人工神经网络模型考虑了具有不同隐藏神经元层的自适应系统，因此我们还对每种算法和每种模型的神经元数量进行了改变。

HadCM3 GCM的最佳优化算法及最优隐神经元数评价

最初，利用研究区附近可用的单个GCM点来预测Ranganadi河的未来流量。表5.1给出了与levenberg-marquardt算法的比较研究。⁶可以看出，当隐藏神经元数为8时，MSE为0.064。由表5.2可知，使用批处理梯度下降算法，隐藏神经元数为5时的MSE为0.085。由表5.3可知，在变学习率算法下，隐藏神经元个数为8时，MSE最小值为0.904。当隐藏神经元个数等于10时，弹性传播算法的最小MSE值为0.095，如表5.4所示。尺度共轭梯度算法显示，当隐藏神经元数为8时，表5.5的MSE值为0.102。表5.6给出了拟牛顿算法在隐藏神经元数为5时的最小MSE为0.089。拟牛顿一步割线算法显示，当神经元数为11时，最小MSE为0.077。从表5.1可以看出，使用levenberg-marquardt算法，当隐藏神经元个数为8时，MSE最小。本研究表明levenberg-marquardt算法是这种情况下训练网络的最佳算法。

表5.1:-采用levenberg-marquardt算法的神经网络性能

神经元数目(trainlm)	培训	验证	测试	所有	M:是的。
	R
N3	0.7766	0.58	0.8173	0.716	0.057
陶瓷	0.7674	0.7041	0.6438	0.6984	0.08
它们被	0.7629	0.6065	0.8437	0.7139	0.065
N6	0.7916	0.5957	0.6157	0.7081	0．1
N7	0.877	0.5608	0.5756	0.769	0.11
N8	0.7115	0.789	0.702	0.695	0.064
N10	0.943	0.4894	0.5056	0.8069	0.128
N11	0.969	0.4918	0.5713	0.8556	0.084
N12	0.9267	0.6067	0.5993	0.8161	0.098
N13	0.9618	0.581	0.6219	0.8777	0.063

从表5.1可以看出，就训练算法而言，学习函数trainlm是最好的。选择最优神经元数是人工神经网络模型开发的重要组成部分。trainlm算法50%的数据用于训练，50%的数据用于验证和测试，已被评估为最优神经元数量。隐藏神经元的数量从1-15不等。N=8时的ANN模型性能如表5.1所示。可以看出，MSE最小，其值为0.064，其中training =0.711, validation =0.789, test值为0.7016。

图5.1:训练回归曲线， 验证，测试使用Hadcm3数据 点击此处查看图

图5.2:使用Hadcm3数据的性能曲线 点击此处查看图

图5.1显示了训练、验证、测试和所有R值的回归曲线，其中数据在训练、验证、测试线和最佳拟合线之间变化。我们的目的是将数据沿最佳拟合线设置，从而获得最佳回归值。在图5.1中，验证数据非常接近最佳拟合线。图5.2的性能曲线显示了训练、验证和测试的MSE。对于epoch 5，图5.2清楚地显示验证线非常接近最佳拟合线。如果这两条线重叠，则意味着MSE值已被最小化。

然后取研究区内及周边5个HadCM3点的平均值，得到回归和均方差，用于预测河流流量。5个点的平均值为训练和验证提供了最佳结果，但性能MSE值不可接受，如表5.9所示

表5.2:-不同神经元数下，人工神经网络在平均五个点的性能

神经元数目	培训	验证	测试	所有	M:是的。
(trainlm)	R
N3	0.773	0.490	0.728	0.696	0.100
陶瓷	0.924	0.655	0.630	0.756	0.120
它们被	0.827	0.407	0.779	0.665	0.200
N6	0.815	0.438	0.662	0.628	0.103
N7	0.958	0.652	0.730	0.595	0.129
N8	0.945	0.653	0.703	0.740	0.101
N9	0.935	0.586	0.565	0.515	0.160
N11	0.956	0.498	0.712	0.630	0.310
N12	0.935	0.553	0.209	0.382	0.150

CGCM2 - GCM神经网络模型最佳优化算法评价及最优隐藏神经元数

本研究也考虑了CGCM2数据，在这种情况下，也考虑了研究区域附近可用的点数据作为ANN模型的输入。表5.9为levenberg marquardt算法的结果，当神经元数为6时，最小MSE为0.045。与CGCM2模型下的其他算法相比，Levenberg marquardt算法的最小MSE值最好。下表显示了每种算法的结果。

表5.3:采用levenberg-marquardt算法对CGCM2数据进行人工神经网络的性能

神经元数目	培训	验证	测试	所有	M:是的。
(trainlm)	R
N3	0.7584	0.65993	0.555	0.6843	0.067
陶瓷	0.7705	0.69935	0.6485	0.7186	0.062
它们被	0.7902	0.6195	0.4925	0.6718	0.07
N6	0.8762	0.7712	0.69	0.8	0.045
N7	0.8133	0.6725	0.622	0.7134	0.068
N8	0.8802	0.7097	0.5997	0.7385	0.07
N9	0.7994	0.6887	0.5816	0.7118	0.063
N10	0.7396	0.5528	0.4584	0.6303	0.077
N11	0.81384	0.6773	0.4456	0.6892	0.066
N12	0.8229	0.468	0.3953	0.6029	0.089
N13	0.8028	0.5401	0.5281	0.6388	0.066
N14	0.9019	0.6534	0.3685	0.6973	0.086

图5.3:训练回归曲线， 验证，测试使用cgcm2数据 点击此处查看图

图5.4:使用cgcm2数据的性能曲线 点击此处查看图

最后，我们将GFDL模型参数作为人工神经网络模型的输入，在下表中显示了GFDL的结果，并突出显示了每种算法的精确结果。Levenberg-marquardt算法显示training= 0.8220, validation = 0.8298, testing= 0.7299，总体R= 0.7973, MSE= 0.035，这是所有三种模型和七种算法中最小的MSE。通过对三种GCM模型的综合分析，结果表明GFDL模型对该地区的河流流量预测效果最好。

表5.4:使用Levenberg-Marquardt算法处理GFDL数据的神经网络性能

神经元数目	培训	验证	测试	所有	M:是的。
(trainlm)	R
N3	0.819	0.7134	0.6621	0.7477	0.049
陶瓷	0.888	0.69277	0.6971	0.7844	0.047
它们被	0.7679	0.7099	0.572	0.6915	0.057
N6	0.8655	0.7312	0.6719	0.7676	0.048
N7	0.9253	0.7722	0.7764	0.843	0.034
N8	0.8825	0.6563	0.7736	0.7966	0.054
N9	0.8911	0.5797	0.7585	0.7738	0.065
N10	0.822	0.8298	0.73	0.797	0.036
N11	0.8622	0.4004	0.5978	0.638	0．072
N12	0.7836	0.5082	0.5334	0.6449	0.067

图5.5:训练回归曲线 验证，测试使用GFDL数据 点击此处查看图

图5.6:使用GFDL的性能曲线 点击此处查看图

Ranganadi河未来径流的模拟

以上分析表明，在研究中考虑的三种GCM模型中，最好的GCM是GFDL GCM模型。因此，研究中采用GFDL模型来预测河流未来的流量情景。采用levenberg - marquardalgorithm训练的人工神经网络模型，隐藏神经元数为10，用于预测未来河流流量。图5.7预测图显示了水流流量增加的趋势。

图5.7:观测和预测的性能曲线 点击此处查看图

如前所述，Ranganadi河上有一个水电项目。大约需要414.72立方米的水才能充分发挥水力发电的能力。水库的库容约为15mcm。根据未来水流量的增加趋势，对可用于发电的水量进行了模拟估算。如果可用水量大于或等于414.72mcm，则未来不会出现电力生产用水短缺的情况。如果每月可用水量低于414.72 mcm，则不可能使发电厂满负荷运行。图5.8显示了基线时期每月的可用水量，也显示了未来时期的可用水量。它表明，在未来，水量与现在相比，除了几个月。

图5.8:未来可用水性能曲线 点击此处查看图

图5.8显示了当前和未来的水力发电可用水量。可以看出，今后可获得的水资源将比基准期更多。由于流量的增加，电力项目的发电量将会增加。值得注意的是，本研究是根据河流的月流量数据进行的。该工程为干流工程，库容极少。因此，每天用于发电的水的实际可用性可能会有所不同，将来可能不会有更多的电力。然而，对于较大的项目，具有较大的存储容量，未来的发电量可能会超过基准期。

图5.9水的性能曲线 未来可用于水电 点击此处查看图

讨论

气候变化是一种水文现象，它的变化是自然界中存在的。因此，我考虑了三个模型，并采用5年移动平均间隔的输入，以尽量减少变化。在本研究中，我们利用3种GCM模型为基于降尺度方法的人工神经网络模型提供输入参数，利用HadCM3、CGCM2和GFDL模型预测Ranganadi河的水流。选取了模拟数据与观测数据相关性最好的输入参数。从训练算法、隐层神经元数量、学习率和动量系数的各种组合变化等方面对基本神经网络进行优化。通过各种算法组合和最小化性能误差所使用的神经元数，以隐藏神经元数为10的levenberg-marquardt算法效果最好。利用优化后的模型进行了仿真工作。图5.7预测图显示，2040年的水流情景将呈增加趋势。

结论

在本研究中，对Ranganadi河未来可能的流量进行了预测。利用人工神经网络进行降尺度预测。从训练算法、隐层神经元数量、学习率和动量系数的各种组合变化等方面对基本神经网络进行优化。通过各种算法组合和最小化性能误差所使用的神经元数，以隐藏神经元数为10的levenberg-marquardt算法效果最好。以兰干纳迪河上的水电工程为例，进行了模拟工作。大约414.72 mcm的水(从**的发电厂收集的数据)是充分利用水力发电的必要条件。水库库容约15mcm。图5.7预测图显示，2040年的水流情景将呈增加趋势。根据未来水流量的增加趋势，对可用于发电的水量进行了模拟估算。如果可用水量大于或等于414.72mcm，则未来不会出现电力生产用水短缺的情况。 If monthly available water is less than 414.72 mcm, then it will not be possible to run the power house to its full capacity. Fig 5.8 indicates the available water per month for the base line period and also shows the available water for future period. It shows that in the future, much more amount of water as compare to present except for few months. So, electricity generation will higher and we can allocate remains amount of water for different purposes.

参考文献

1. 张杰和王勇。气候变化和人类活动对渭河流域径流的影响爱思唯尔卷。380 - 381（2015）
2. 基于不同人工神经网络算法的流流量预测。水文工程学报，1084-0699(2007):5(532)(2007)。
3. 西兰，C. M, Burn, D. H.和Simonovic, S. P.基于人工神经网络的短期河流流量预测。水文学报。2014，32-48(1999)。
   CrossRef
4. Kumar, D.和Bhattacharya, R. K.;分布式降雨径流模型。国际地球科学与工程杂志。卷04,No . 06 SPL, 270 - 275(2011)。
5. 政府间气候变化专门委员会:气候变化:影响、适应和脆弱性。工作组对政府间气候变化专门委员会第四次评估报告的贡献。剑桥，英国:IPCC。(2007)
6. Adam, p.p.， Jaroslaw, J.， N.优化河流流量预测的神经网络——进化计算方法与Levenberg-Marquardt方法的对比，201112日到27日。(2011)
7. Ahmed, J. A.， Sarma, AK..合成流生成的人工神经网络模型。水资源管理21(6):1015 - 1029。(2007)
   CrossRef
8. 全球气候变化对水电项目影响的估算:在印度、斯里兰卡和越南(FEU)的应用
9. Imrie, C. E, Durucan, s .和Korre, a .基于人工神经网络的河流流量预测:超越校准范围的泛化。水文学报223(2000)138 - 153(2000)
10. Mujumdar, P. P.，“气候变化对印度可持续水资源管理的影响”，《地球物理与化学》，33页。354 - 358。(2008)
    CrossRef
11. Karunanithi, N.， Grenney, W. J.， Whitley, D.和Bovee, K.。河流流量预测的神经网络。[j]。土木工程8(2);201 - 220(1994)
    CrossRef
12. 李建军，李建军，李建军，等。基于神经网络的河流流量预测。水资源管理18:143 - 161。(2004)。
    CrossRef
13. Raghuwanshi, n.s.， Singh, R.和Reddy, l.s.。基于人工神经网络的径流和产沙模拟:印度西瓦纳河上游。液压与气动，2011(1):1 - 6。71 - 79。(2006)
14. Subimal Ghosh, Deepshree Raje和Mujumdar p.p.，“气候变化影响评估和适应策略”，当前的科学，第98卷，第8页。1084 - 1091。(2010)
15. 维基百科，免费百科全书“全球气候模式”评估气候参数。http://en.wikipedia.org/wiki/global
16. yona, B. Dibike, Paulin, Coulibaly，“气候变化对Saguenay流域水文影响的降尺度方法和水文模型比较”，水文学杂志,卷。307, pp。145 - 163。(2004)。
17. Ray, r.m.和Sarma AK。输入参数选择对人工神经网络生成不同时间步长的合成流的重要性土木工程系。IIT出逃。(2007)