水文
水文
수문
HYDROLOGY
2008年
2期
49-54
,共6页
杨忠平%卢文喜%龙玉桥%李平
楊忠平%盧文喜%龍玉橋%李平
양충평%로문희%룡옥교%리평
时间序列(TS)%人工神经网络(ANN)%地下水动态%模拟预测%吉林西部
時間序列(TS)%人工神經網絡(ANN)%地下水動態%模擬預測%吉林西部
시간서렬(TS)%인공신경망락(ANN)%지하수동태%모의예측%길림서부
时间序列模型和人工神经网络模型是两种常见的地下水资源模拟预测模型,为了对比二者的优缺点,本文对比分析了两者的建模过程及其模拟精度.选择吉林省西部干旱半干旱区为研究区,该区地下水资源在过去10年问由于长期超采而导致地下水位持续下降.相比ANN模型,时间序列模型建模过程更为简单,计算效率更高."后验差"检验结果表明两种模型均能很好的模拟地下水位变化规律,但改进ANN具有更高的拟舍精度.同时,两种模型预报结果均显示研究区如继续按过去的开发模式开采地下水,地下水位还将持续下降,且下降速率逐步增大.
時間序列模型和人工神經網絡模型是兩種常見的地下水資源模擬預測模型,為瞭對比二者的優缺點,本文對比分析瞭兩者的建模過程及其模擬精度.選擇吉林省西部榦旱半榦旱區為研究區,該區地下水資源在過去10年問由于長期超採而導緻地下水位持續下降.相比ANN模型,時間序列模型建模過程更為簡單,計算效率更高."後驗差"檢驗結果錶明兩種模型均能很好的模擬地下水位變化規律,但改進ANN具有更高的擬捨精度.同時,兩種模型預報結果均顯示研究區如繼續按過去的開髮模式開採地下水,地下水位還將持續下降,且下降速率逐步增大.
시간서렬모형화인공신경망락모형시량충상견적지하수자원모의예측모형,위료대비이자적우결점,본문대비분석료량자적건모과정급기모의정도.선택길림성서부간한반간한구위연구구,해구지하수자원재과거10년문유우장기초채이도치지하수위지속하강.상비ANN모형,시간서렬모형건모과정경위간단,계산효솔경고."후험차"검험결과표명량충모형균능흔호적모의지하수위변화규률,단개진ANN구유경고적의사정도.동시,량충모형예보결과균현시연구구여계속안과거적개발모식개채지하수,지하수위환장지속하강,차하강속솔축보증대.
