20、多层感知器人工神经网络在水文流量预测中的应用

多层感知器人工神经网络在水文流量预测中的应用

1. 实验设置

1.1 输入变量选择的数据解析

多层感知器人工神经网络（MLP - ANN）预测模型的核心目标是归纳输入（过往降雨量、潜在蒸散量和流量）与输出（不同提前时间的流量）之间的关联。首要任务之一是明确最大预测时长，这可借助对流域物理特性的剖析来实现，从而确定流域的响应时间。

以某高流量事件为例，从降雨事件（11月20日15:00）到流量峰值（11月21日03:00）历经12小时。不过，此响应时间会因降雨的空间分布或土壤湿度的差异而变动。综合考量，将训练不同的MLP - ANN模型，以预测提前1、2、3、4、5、6、9和12小时的流量。

在MLP - ANN水文预测里，模型输入的挑选极为关键。同时，合适滞后项的选择也不容忽视，因为流域的动态变化可通过一组恰当离散化并滞后于输出流量的变量来近似。经分析，影响预测流量的水文气象变量有降雨量、蒸散量和流量本身，但并非所有变量都对输出流量有显著影响。

通过对变量间相互依存关系的分析，能找出对输出预测有重大影响的水文气象变量和滞后项。例如，过去流量在滞后1小时时，平均互信息（AMI）和相关系数（CoC）达到最大值，随后逐渐减小，这表明过去流量对预测当前流量影响重大。而降雨量的AMI和CoC在滞后约10小时时开始上升，约14小时时开始下降，意味着10到14个时间步之前的降雨数据可作为模型输入。此外，蒸散量对流量预测的作用较小，因此在不同提前时间的MLP - ANN水文预测模型中，选用降雨量和流量作为输入变量。

以下是不同提前时间的MLP - ANN实验总结：
| 输入变量 | 输出变量 |
| — | —