基于新安江模型的洪水预报系统设计与实现
这是一篇关于洪水预报,水文模型,参数率定,粒子群算法,差分进化算法的论文, 主要内容为自然中水的变化时刻影响着社会的发展,既为各行各业的生产提供必不可少的保障,但又在各个角落时时刻刻威胁着人们的生命财产安全。发布于洪水形成前的洪水预报在防汛抗洪中起着极为重要的作用,同时也是缓解洪涝灾害的有效手段。课题来源于中国水科院水资源所“桂林市防洪及漓江补水水库群生态调度技术研究”项目,主要对青狮潭水库断面进行洪水预报,以降低洪水带来的损失。论文借鉴现有洪水预报系统的相关研究经验,依据软件工程规范,分析系统各方面可行性,阐明其功能性与非功能性需求,并逐步对体系结构、问题域、持久化与界面部分进行设计,本文采用统一建模语言UML(Unified Modeling Language)对系统业务功能进行建模分析,在此基础上,实现对降雨值、洪水流量、方案参数等基础信息的管理功能;同时,针对防汛抗洪、缓解洪涝等问题,本文以新安江水文模型作为预报模型,分析了现有水文模型率定方法,以纳什效率系数为目标函数,采用改进的双种群PSO-DE(Particle Swarm Optimization&Differential Evolution)算法对模型参数进行率定。本文基于B/S三层架构,采用SSM(Spring,SpringMVC,Mybatis)集成框架,开发过程中用到了Bootstrap、Echarts、Jquery等技术,实现了数据管理与洪水预报等业务功能。仿真实验表明,与传统参数率定方法相比,本文所使用的混合粒子群与差分进化双种群算法能够取得更加快速的率定速率;在本文所研发系统中,对桂林青狮潭水库断面进行预报实验,通过收集上游流域雨量站监测的降雨信息,将运算得到的模拟流量与实测流量对比分析可知,基于新安江模型洪水预报算法的预报结果与实际较为吻合。
基于新安江模型的洪水预报系统设计与实现
这是一篇关于洪水预报,水文模型,参数率定,粒子群算法,差分进化算法的论文, 主要内容为自然中水的变化时刻影响着社会的发展,既为各行各业的生产提供必不可少的保障,但又在各个角落时时刻刻威胁着人们的生命财产安全。发布于洪水形成前的洪水预报在防汛抗洪中起着极为重要的作用,同时也是缓解洪涝灾害的有效手段。课题来源于中国水科院水资源所“桂林市防洪及漓江补水水库群生态调度技术研究”项目,主要对青狮潭水库断面进行洪水预报,以降低洪水带来的损失。论文借鉴现有洪水预报系统的相关研究经验,依据软件工程规范,分析系统各方面可行性,阐明其功能性与非功能性需求,并逐步对体系结构、问题域、持久化与界面部分进行设计,本文采用统一建模语言UML(Unified Modeling Language)对系统业务功能进行建模分析,在此基础上,实现对降雨值、洪水流量、方案参数等基础信息的管理功能;同时,针对防汛抗洪、缓解洪涝等问题,本文以新安江水文模型作为预报模型,分析了现有水文模型率定方法,以纳什效率系数为目标函数,采用改进的双种群PSO-DE(Particle Swarm Optimization&Differential Evolution)算法对模型参数进行率定。本文基于B/S三层架构,采用SSM(Spring,SpringMVC,Mybatis)集成框架,开发过程中用到了Bootstrap、Echarts、Jquery等技术,实现了数据管理与洪水预报等业务功能。仿真实验表明,与传统参数率定方法相比,本文所使用的混合粒子群与差分进化双种群算法能够取得更加快速的率定速率;在本文所研发系统中,对桂林青狮潭水库断面进行预报实验,通过收集上游流域雨量站监测的降雨信息,将运算得到的模拟流量与实测流量对比分析可知,基于新安江模型洪水预报算法的预报结果与实际较为吻合。
基于新安江模型的洪水预报系统设计与实现
这是一篇关于洪水预报,水文模型,参数率定,粒子群算法,差分进化算法的论文, 主要内容为自然中水的变化时刻影响着社会的发展,既为各行各业的生产提供必不可少的保障,但又在各个角落时时刻刻威胁着人们的生命财产安全。发布于洪水形成前的洪水预报在防汛抗洪中起着极为重要的作用,同时也是缓解洪涝灾害的有效手段。课题来源于中国水科院水资源所“桂林市防洪及漓江补水水库群生态调度技术研究”项目,主要对青狮潭水库断面进行洪水预报,以降低洪水带来的损失。论文借鉴现有洪水预报系统的相关研究经验,依据软件工程规范,分析系统各方面可行性,阐明其功能性与非功能性需求,并逐步对体系结构、问题域、持久化与界面部分进行设计,本文采用统一建模语言UML(Unified Modeling Language)对系统业务功能进行建模分析,在此基础上,实现对降雨值、洪水流量、方案参数等基础信息的管理功能;同时,针对防汛抗洪、缓解洪涝等问题,本文以新安江水文模型作为预报模型,分析了现有水文模型率定方法,以纳什效率系数为目标函数,采用改进的双种群PSO-DE(Particle Swarm Optimization&Differential Evolution)算法对模型参数进行率定。本文基于B/S三层架构,采用SSM(Spring,SpringMVC,Mybatis)集成框架,开发过程中用到了Bootstrap、Echarts、Jquery等技术,实现了数据管理与洪水预报等业务功能。仿真实验表明,与传统参数率定方法相比,本文所使用的混合粒子群与差分进化双种群算法能够取得更加快速的率定速率;在本文所研发系统中,对桂林青狮潭水库断面进行预报实验,通过收集上游流域雨量站监测的降雨信息,将运算得到的模拟流量与实测流量对比分析可知,基于新安江模型洪水预报算法的预报结果与实际较为吻合。
基于水文模型的山洪灾害预警系统研究与应用
这是一篇关于山洪,水文模型,动态临界雨量,预警系统的论文, 主要内容为山洪灾害不仅对基础设施、居民财产造成毁灭性破坏,而且对人民群众的生命安全构成极大的威胁。本研究以浙江省防灾减灾的迫切需求为出发点,分析了浙江省山洪灾害防御面临的问题,提出了山洪灾害预警研究的必要性,综述了国内外水文模型应用于山洪研究和山洪预警技术研究进展。在此基础上,以杭州建德市寿昌江流域为研究对象,利用水文气象数据、土壤数据、专家经验等信息,构建适用的水文模型,对山洪灾害进行预警,同时开发相应的山洪灾害预警系统。具体研究内容如下:(1)山丘区水文模型适用性研究。基于1975~2001年的27场水文资料,利用地理信息系统GIS生成的DEM数字高程模型,构建新安江模型和HEC-HMS模型,模拟寿昌江流域的降雨径流过程,对比分析两模型在寿昌江流域的适用性。结果表明,两模型在寿昌江流域均适用,但新安江模型精度及稳定性更好。虽然HEC-HMS模型是半分布式模型,但由于其参数CN值的敏感性,模拟结果的径流总深偏大,Nash系数等级较低,模型拟合度不高,在寿昌江流域的模拟效果不如新安江模型。新安江模型是在总结分析建德市的新安江流域时提出的,已在我国南方湿润地区获得广泛应用,本次研究的模拟结果Nash系数等级较高,合格率达到88.89%,拟合度较好。因此,新安江模型在寿昌江流域更为适用。(2)山洪灾害预警指标分析方法研究。以寿昌江流域6个典型村落为例,分别选取前期土壤含水量Pa=0.75WM和0.90WM作为典型临界值,通过对新安江模型不断试算确定临界雨量,最后,综合考虑降雨特征、地形地貌、下垫面特征等要素,对比分析得出临界雨量预警指标值,绘制不同时段雨量预警指标和土壤含水量的关系曲线,实现动态预警。(3)山洪灾害预警系统研究与应用。结合小流域山洪动态预警指标分析,建立山洪灾害预警系统平台。系统采用B/S架构进行设计,采用Java语言和Web Service及GIS技术进行通讯和展示,实现数据存储、查询、预警结果发布和可视化等功能,为山洪预警决策等提供服务,进一步提高基层山洪灾害预警与防御能力。
基于新安江模型的洪水预报系统设计与实现
这是一篇关于洪水预报,水文模型,参数率定,粒子群算法,差分进化算法的论文, 主要内容为自然中水的变化时刻影响着社会的发展,既为各行各业的生产提供必不可少的保障,但又在各个角落时时刻刻威胁着人们的生命财产安全。发布于洪水形成前的洪水预报在防汛抗洪中起着极为重要的作用,同时也是缓解洪涝灾害的有效手段。课题来源于中国水科院水资源所“桂林市防洪及漓江补水水库群生态调度技术研究”项目,主要对青狮潭水库断面进行洪水预报,以降低洪水带来的损失。论文借鉴现有洪水预报系统的相关研究经验,依据软件工程规范,分析系统各方面可行性,阐明其功能性与非功能性需求,并逐步对体系结构、问题域、持久化与界面部分进行设计,本文采用统一建模语言UML(Unified Modeling Language)对系统业务功能进行建模分析,在此基础上,实现对降雨值、洪水流量、方案参数等基础信息的管理功能;同时,针对防汛抗洪、缓解洪涝等问题,本文以新安江水文模型作为预报模型,分析了现有水文模型率定方法,以纳什效率系数为目标函数,采用改进的双种群PSO-DE(Particle Swarm Optimization&Differential Evolution)算法对模型参数进行率定。本文基于B/S三层架构,采用SSM(Spring,SpringMVC,Mybatis)集成框架,开发过程中用到了Bootstrap、Echarts、Jquery等技术,实现了数据管理与洪水预报等业务功能。仿真实验表明,与传统参数率定方法相比,本文所使用的混合粒子群与差分进化双种群算法能够取得更加快速的率定速率;在本文所研发系统中,对桂林青狮潭水库断面进行预报实验,通过收集上游流域雨量站监测的降雨信息,将运算得到的模拟流量与实测流量对比分析可知,基于新安江模型洪水预报算法的预报结果与实际较为吻合。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:源码码头 ,原文地址:https://m.bishedaima.com/lunwen/50615.html