多层神经网络在卡瓦利河流域降雨径流模拟中的应用

本文主要探讨了在科特迪瓦卡瓦利河流域进行雨流模拟的方法，特别是在Ity水文站的数据补足问题上。当前水资源管理在全球范围内都是一项关键议题，但由于研究区域历史水文气候数据的不完整或质量欠佳，这在一定程度上限制了水文学的研究进展。为了克服这些挑战，研究者采用了多层人工神经网络技术作为解决方案。 人工神经网络，特别是前馈的多层感知器（MLP），被应用于该研究中。模型的设计包括输入层，接收每月平均降雨量和蒸散发量这两项关键参数；输出层则负责生成相应的流量。通过对不同神经网络架构的性能进行评估，研究发现2-3-1的体系结构表现最优，其校准阶段的Nash系数为75.79%，相关线性系数达到95.64%；验证阶段分别达到了73.32%和98.33%。这显示出模型在填充数据空白时具有较高的精度和稳定性。 具体到卡瓦利河的Ity站点，人工神经网络成功地校正了历史数据中的缺失部分，并能够预测流量。模型与实际观测流量之间的相关性非常强，校正和验证阶段的相关系数分别为83.89%和83.08%，证明了模型在模拟降雨径流方面的有效性。研究成果发表于《水资源保护期刊》(Journal of Water Resource and Protection)，并强调了这种方法对于提高水资源管理的科学性和精确性的重要性，尤其是在发展中国家如科特迪瓦这样的地区，数据稀缺的情况下，人工神经网络的应用显得尤为关键。