坡面产流模式的神经网络模拟.doc

坡面产流模式的神经网络模拟摘要：坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向络模型(BP算法)，并显示了具有较好的模拟预测效果。 关键词：人工神经络 坡面产流 BP算法 引言一般而言，整个流域的不同区域，其地形、地貌、植被、土壤、人类活动等条件不尽相同。模拟流域的产流、汇流、土壤侵蚀、产沙及其泥沙输移特性，首先需将流域概化成若干流域特性近似的计算单元称为小流域单元。Simons et al1将流域分成若干计算单元，每个单元有它自己的流域边界，称为子流域。国内不少研究者也采用这种按自然水系划分子流域的方法2。将流域概化为若干子流域的方法，对考虑流域降雨及下垫面条件的空间变化，建立整个流域的产流、汇流、土壤侵蚀、产沙和泥沙输移模型提供了很大的方便。为此，以这种自然水系划分方法为基础，把小流域划分为如下形式，见图1所示，其中图1(a)为小流域自然水系图；图1(b)为小流域按水系汇流结构划分模式；图1(c)为每一个小单元产流模式，即径流输出关系图，包括降水、区间来水、本单元上时刻的径流量和上一单元（或多个单元）的输出到本单元的输入径流量等输入变量，以及本单元调节作用后的输出径流量。图1 小流域产流结构示意图Sketch of runoff structure in the small watershed2 坡面产流模式分析由于地形、地貌、下垫面条件、土壤含水量空间分布及人类活动影响的不同，坡面上形成了两种不同的产流方式，即“超渗坡面流”和“蓄满坡面流”。坡面上一部分由于坡度较缓，导致雨水排泄不畅而使土壤含水量较高，而另一部分坡度较陡，雨水在坡面上滞留时间短，使土壤含水量较低。此外，下垫面植被条件的差异也会导致土壤含水量的变化。因此，在每个单元子流域的坡面上，既可能产生“超渗坡面流”，也可能产生“蓄满坡面流”。然而，对此如何判断，目前研究较少。黑龙江省宾县径流实验站3通过对产流方式与下垫面特征、雨强特性等影响因素的分析，认为区别两种不同产流方式的重要标志是雨强的作用。在蓄满产流情况下，损失量与降雨强度无关，满足缺水量后，降雨均成径流。雨强对超渗产流则起主要作用。从以上分析可知，在小流域小单元产流计算时，首先应判明产流模式，这样有利用确定络模式计算单元时某些主要特征值的输入，如对超渗坡面流一般以降雨强度为主，不考虑土壤前期含水量的变化，而蓄满坡面流恰好相反，即不限制雨强条件，而是限制累积入渗的有效容量。 3 坡面产流的神经络模型3.1 人工神经元结构模型与小单元产流模式的比较人工神经元是对生物神经元的简化和模拟，它是神经络的基本处理单元，它是一多输入、单输出的非线性元件，其结构形式常用图2表示4。当小流域按照自然水系划分为多个计算单元后，无论其产流模式是超渗产流，还是蓄满产流，两种方式都可概化为象图1(c)的结构形式，只是作用机理有所不同。其中输入项大致包括降水特征值以及其它单元的径流输入；输出项主要为该单元的产流量；其内部作用因素一般有下垫面因素等。对比分析图1(c)与图2结构形式，可明显看出它们之间的相似性，表达的同样是一种输入输出作用关系，因此利用神经络结构模拟坡面小单元产流模式是可行的。图2 神经元结构模型The model of neural cell structure图3 三层BP神经络模型The sketch of three layers neural network model3.2 坡面小单元产流量的前向络模型神经络根据连接方式不同，可分为前向络和相互结合型络。就坡面产流量来讲，前向络结构就能较好地模拟其产流模式，前向络由输入层、中间层（隐含层）及输出层组成。目前应用广泛的前向络是BP络5，如图3所示。其中输入层有N个变量；隐层由G个神经元；输出层由M个神经元组成，各层神经元之间以及神经元和输入口之间有一定的联系，其程度由权重w来表示，输入层和隐层之间为wik，而隐层和输出层之间为wkj；若输出层各神经元的阈值为j，隐层的阈值为k，则输出层及隐层神经元的输出分别为(1)(2)式中xi为输入层变量。当前络学习的算法较多，B-P络模型采用反向传输算法，其基本思路为：当输出层的实际输出