当前的世界环境gydF4y2Ba

介绍gydF4y2Ba

流域的水文特性是根据与生产力有关的水的可用性、植被和土壤状况进行评估的。准确的降雨-径流关系预测主要依赖于准确的降雨和径流数据的可用性。几种水文模型被用来预测径流和泥沙产量，包括黑箱神经网络模型和高度概念化的物理数学模型(Porporato和Ridolfi, 2001)。gydF4y2Ba^1gydF4y2Ba人工神经网络(ANN)和模糊逻辑(FL)模型由于其简单、准确、不依赖于物理方程的估计而被广泛应用于各个工程领域。降雨、径流和产沙三者之间相互联系的发展在地表水文研究中显得尤为重要。需要了解流域降雨对径流的影响，以避免在变化的气候情景下发生洪涝灾害的风险。降雨径流过程和产沙量相关的这种非线性和不确定性的预测在地表水文中对于保护结构、集水坝、土木工程、洪水监测等的设计具有重要意义(Shirk et al. 2012)。gydF4y2Ba^2gydF4y2BaSinha等人(2013)gydF4y2Ba^3.gydF4y2BaChen等人(2013)。gydF4y2Ba^4gydF4y2Ba指出，精确模拟降雨、蒸发、温度等气候参数对流域地表径流和产沙的响应是水文工作者面临的巨大挑战。gydF4y2Ba

数据驱动技术在统计数据，软计算，计算智能，机器学习和数据挖掘中广泛采用，但最近发现在径流和沉积物收益率的表面和地下水文中发现有前景（氨基胺和杜拉（2003））。gydF4y2Ba^5gydF4y2Ba人工神经网络(ANN)是一种黑箱模型或数据驱动模型，广泛应用于降雨径流水文模型(Hsu et al, 1995)gydF4y2Ba^6gydF4y2Ba；托卡和约翰逊，1999)，gydF4y2Ba^7gydF4y2Ba径流预测（Shivekumar等，2002），gydF4y2Ba^8gydF4y2Ba水库流入预测(Jain and Srivastva, 2005)，gydF4y2Ba^9gydF4y2Ba产沙模型(Senthil Kumar et al . (2012))gydF4y2Ba^10gydF4y2Ba；拉格武汉等人（2006年）gydF4y2Ba^11gydF4y2Ba；和耆那教(2008)。gydF4y2Ba^12gydF4y2BaLuk等人。（2001）gydF4y2Ba^13gydF4y2Ba通过使用各种广域研究了降雨预测问题，并讨论了这些神经网络中的准确性和差异。据报道，多层饲料前言回到繁殖神经网络发现是预测径流和沉积物收益率的价格（Hsu等，1995gydF4y2Ba^[6]gydF4y2Ba；史密斯和伊利，1995年。gydF4y2Ba^14gydF4y2Ba

模糊是Zadeh(1965)发表的基于逻辑规划的关系极小极大理论。gydF4y2Ba^15gydF4y2Ba该理论广泛地发现，适用于模式识别，数据分析，系统控制等（Kruse等，1994gydF4y2Ba^16gydF4y2Ba；Theodoridis和koutroubas, 1999年。gydF4y2Ba^17gydF4y2Ba模糊逻辑理论发现在处理彼此之间具有不确定关系的不精确数据或变量更准确。大多数水文学家仍然不确定流域中物理过程的许多方面，并且模糊理论已被证明是一种非常有吸引力的工具，使他们能够调查这些问题。现在，一天的模糊逻辑方法适用于水资源（Nayak，Et Al 2005，gydF4y2Ba^18gydF4y2Ba朱和藤田，1994gydF4y2Ba^19gydF4y2Ba；请参阅和openshaw，1999gydF4y2Ba^20.gydF4y2Ba；Stuber等，2000年gydF4y2Ba^21gydF4y2Ba；Hundecha等人，2001年，gydF4y2Ba^22gydF4y2Bamamdani方法用于预测径流和产沙量(Nayak等，2005年)gydF4y2Ba^18gydF4y2Ba；Mamdani和Assilian, 1975)gydF4y2Ba^23gydF4y2Ba；洪水预报(Chang et al. 2005)gydF4y2Ba^24gydF4y2Ba；降水预测（Maskey等人。2004）gydF4y2Ba^25gydF4y2Ba；沉积物运输（Tayfur等，2003），gydF4y2Ba^26gydF4y2Ba水库操作（Tilmant等，2002），gydF4y2Ba^27gydF4y2Ba和暴雨入渗估算(Hong et al. 2002)gydF4y2Ba^28gydF4y2Ba等。不同的模型如模糊逻辑、人工神经网络(ANN)和泥沙等级曲线(SRC)模型用于预测悬沙产量，结果表明，与神经网络和泥沙等级曲线评估相比，模糊规则库模型评估的准确性更高(Angabini et al .， 2014)。gydF4y2Ba^29gydF4y2BaLohani等人（2011）gydF4y2Ba^30.gydF4y2Ba比较了ANN，模糊逻辑和线性传递功能（LTF）模型的性能，用于预测NARMADA盆地（印度）的日常径流，发现模糊逻辑模型均匀地表现良好。进行了目前的研究，以预测使用ANN和FL模型对kal河流的径流和沉积物产量，并将两种模型与径流和沉积物收益率预测进行了比较。gydF4y2Ba

材料和方法gydF4y2Ba

研究区域和使用的数据gydF4y2Ba

Kal River将选择救原盆地支流，用于使用ANN和FL模型开发降雨径流和沉积物模型。kal河的位置如图1所示。通过高级工程师，单位水文项目，降雨，温度，蒸发，流出和沉积物，21岁（1991年至2011）用于开发模型的数据，包括2483套。输入数据的统计分析是在表1中进行的。gydF4y2Ba

表1:卡尔河人工神经网络和模糊逻辑建模中输入数据的统计属性gydF4y2Ba

7年(2003至2009年)的沉积物数据共739套。将14年(1991 - 2004)模型训练和开发的可用数据分为两部分，其中人工神经网络模型和模糊逻辑模型的开发结果交叉验证7年(2005 - 2011)为883组。在使用ANN和FL模型的产沙模型中，所使用的数据为7年(2003至2009年)的739组数据，并将其分为两部分，分别为开发阶段(2003至2007年)和校准阶段(2008至2009年)数据。gydF4y2Ba

人工神经网络gydF4y2Ba

人工神经网络是一个进行非线性规划的黑盒模型，它的输入是由神经元连接的，就像人类大脑连接神经系统一样。它后面的三层作为输入层，隐藏层也称为处理层和输出层。每一层神经元相互连接，但不与同一层神经元相连，并具有特定的权重。本研究多采用前馈反向传播神经网络，其工作在互连层上，从输入到输出向前向网络工作。反向传播是一种有监督的学习算法，通过计算实际数据和计算数据中的误差，提供适当的强度，根据输入对模型的输出进行精确训练。如果计算数据和实际数据的误差在允许的限度内，则停止，否则继续调整权重，直到模型训练模式的满意输出(Rumelhart等，1986)。gydF4y2Ba^31gydF4y2Ba实现后传播算法的ANN的人工神经元的激活功能是加权和（输入P的总和gydF4y2Ba_{t - 1gydF4y2Ba}乘以它们的j-i各自权重w)。人工神经网络工作处理流程图如图2所示。工作神经网络模型的数学关系由式(1)给出:gydF4y2Ba

图1：kal河的位置gydF4y2Ba 点击这里查看图gydF4y2Ba

图2：向前馈送的架构gydF4y2Ba 多层gydF4y2Ba感知(MLP)神经网络模型gydF4y2Ba 点击这里查看图gydF4y2Ba

式中:t—预测时间，天(24小时);tgydF4y2Ba_1gydF4y2Ba- 时间融入降雨（在这种情况下，TgydF4y2Ba_lgydF4y2Ba= tgydF4y2Ba_L-2gydF4y2Ba）;tgydF4y2Ba_-1gydF4y2Ba-时段，(24小时)，P-日降雨量(毫米);PgydF4y2Ba_{t - 1gydF4y2Ba}- 每日降雨滞后一天，mm（24小时）;PgydF4y2Ba_2gydF4y2Ba-日降雨量滞后两天，毫米(48小时);问gydF4y2Ba_tgydF4y2Ba-每日流量(cumecs);问gydF4y2Ba_{t - 1gydF4y2Ba}-水流滞后一天，cumecs(24小时);问gydF4y2Ba_2gydF4y2Ba-水流滞后2天，cumecs(48小时);TgydF4y2Ba_tgydF4y2Ba-每日平均气温，gydF4y2Ba^0gydF4y2BaC;EgydF4y2Ba_tgydF4y2Ba-日平均蒸发量，mm;SR -由t得到的降雨值的总和gydF4y2Ba_lgydF4y2BatgydF4y2Ba_L-2gydF4y2Ba(毫米)。gydF4y2Ba

传递函数gydF4y2Ba

在人工神经网络建模中，数据传输函数的选择是非常重要的，它将信号从输入层传递到隐层，并以适当的权重分层传递到输出层。在水文模拟中，Sigmoid传递函数适用于预测径流和产沙的多层馈前反向传播神经模型。它们以0到1的级数将值从一个层转移到另一个层。s型传递函数gydF4y2BaF（gydF4y2Ba一种）gydF4y2Ba通过eq提供。（2）和工作原理由图3表示。gydF4y2Ba

图3：Sigmoid转移功能gydF4y2Ba 点击这里查看图gydF4y2Ba

预处理的数据gydF4y2Ba

将观测数据使用逻辑s形传递函数对输入数据参数(降雨量、径流、温度和蒸发)进行归一化，使用式(3)。归一化将所有输入数据在0到0.99的范围内转换。这是因为不同的输入参数有不同的单位。gydF4y2Ba

, XgydF4y2Ba_ngydF4y2Ba=规范化数据;XgydF4y2Ba_{价值gydF4y2Ba}=观测数据gydF4y2Ba_{最小值gydF4y2Ba}=数据X中的最小值gydF4y2Ba_{最大限度gydF4y2Ba}=数据之间的最大值。gydF4y2Ba

安训练gydF4y2Ba

ANN模型是基于有监督的训练过程进行训练的，该过程允许网络通过检查输入输出实例来模拟水文系统。Samani等人(2007)的工作gydF4y2Ba^32gydF4y2Ba结果表明，二阶梯度算法易于实现最陡下降反向传播算法，并获得了较广泛的共识，即这种算法优于一阶方法。gydF4y2Ba

模糊逻辑(FL)gydF4y2Ba

模糊逻辑是一个基于关系的广义系统，由模糊集、模糊化、模糊规则、模糊输出和模糊输出的去模糊化组成。采用重力质心方法，使图形化输出需要隐蔽清晰的输出。模糊逻辑模型操作步骤如图4所示。gydF4y2Ba

图4：模糊逻辑模型的原理图操作gydF4y2Ba 点击这里查看图gydF4y2Ba

模糊集gydF4y2Ba

模糊集是与与输出相关的模糊成员相关的数字。需要提供输入数据集的集群分析，并确定模糊数范围在适当的范围内。模糊数由梯形，三角形，高斯成员函数决定，但在模型的性能方面发现三角会员函数。gydF4y2Ba

模糊逻辑控制gydF4y2Ba

模糊逻辑控制器控制隶属函数的使用和数据的设定规则或规则推理。在降雨径流建模中，输入参数如降雨量、温度和蒸发控制模型的输出，如水流。因此，输入参数范围的选择和规则的设定对水文系统的控制起着重要的作用。gydF4y2Ba

隶属度函数gydF4y2Ba

模糊逻辑系统中隶属函数输入函数的选择及其可靠性影响模型的输出性能。隶属函数是模糊集的成员，它的值可以随模糊集的梯度而变化。具有非零隶属度的元素集称为模糊集的支持。gydF4y2Ba

模糊化gydF4y2Ba

通过考虑隶属度元素，将输入数据集转换为多个隶属函数的步骤称为模糊化。在目前的研究中，估计径流和泥沙产量，选择模糊输入为日降雨量(PgydF4y2Ba_tgydF4y2Ba），平均每日温度（tgydF4y2Ba_tgydF4y2Ba)、平均日蒸发量(EgydF4y2Ba_tgydF4y2Ba）和每日流流（Qt）用于沉积物产量预测通过聚类分析。三角形隶属函数用于涵盖所有输入范围。在定义模糊子集的同时采用了对专家标准语言标准的主观看法。所有输入和输出变量分别分为9个子集，如极低（EL），非常低（VL），低（L），中低（ML），中等（M），中高（MH），高（H），高（H），非常高（VH）和极高（EH），用于模糊和规则的形成。gydF4y2Ba

模糊规则gydF4y2Ba

规则的形成是重要的步骤，其准确性取决于其规则的选择。更多的规则具有数据和模糊处理的子集和模糊处理的数据集中模型的模型输出。规则的激活是扣除结论，可能减少了其ï振强。在开发模糊集中设置的模糊规则如下所示。gydF4y2Ba

如果PgydF4y2Ba_tgydF4y2Ba是低的，PgydF4y2Ba_{t - 1gydF4y2Ba}为低则QgydF4y2Ba_tgydF4y2Ba非常低（4）gydF4y2Ba
如果PgydF4y2Ba_tgydF4y2Ba很高，然后qgydF4y2Ba_tgydF4y2Ba(5)高gydF4y2Ba

推理的下一个子过程是组合子过程，其中所有分配给输出变量的模糊子集被组合在一起，形成输出变量的单个子集。对所建立的模糊模型输出的干扰采用最大和求和子过程。gydF4y2Ba

去模糊化gydF4y2Ba

有几种方法去模糊化，即转换“清晰”输出的模型，如重心(COG)，平分面积(BOA)，最大平均值(MOM)，最左最大(LM)，和最右最大(RM)等(Sen, 1999)。gydF4y2Ba^33gydF4y2Ba但COG与其他方法相比，COG是具有准确的输出实习生清晰的方法。在COG方法中，清晰的输出值是组合输出模糊子集的重心下的横坐标。Defuzzzied最常见的COG方法由EQ表示。（6）。gydF4y2Ba

在那里,gydF4y2BaCgydF4y2Ba_ggydF4y2Ba- 截断模糊输出集的质心gydF4y2BaB;mgydF4y2Ba_BgydF4y2Ba（Y.gydF4y2Ba_我gydF4y2Ba)- - -gydF4y2Ba元素的成员关系值gydF4y2BaygydF4y2Ba_我gydF4y2Ba在模糊输出的集合中gydF4y2BaBgydF4y2Ba和gydF4y2BangydF4y2Ba-元素的数量。gydF4y2Ba

绩效评价模型gydF4y2Ba

开发模型的输出性能处于发展状态和验证阶段。根据研究人员（Abraham和LedoLer，1983年，通过使用相关系数（R），均方根误差（RMSE），平均绝对偏差（MAD），效率系数（CE），效率系数（CE）和体积误差（EV）进行评估。gydF4y2Ba^34gydF4y2Ba；纳什和斯托克利夫，1970年。gydF4y2Ba^35gydF4y2Ba

相关系数(R)gydF4y2Ba

在那里,问gydF4y2Ba_{obs.gydF4y2Ba}-观测到的溪流流量，cumecs;问gydF4y2Ba_SIMgydF4y2Ba-估计的溪流流量，cumecs;N -观测次数。gydF4y2Ba

均方根误差(RMSE)gydF4y2Ba

意味着绝对偏离（Mad）gydF4y2Ba

效率系数(CE)gydF4y2Ba

体积误差(EV)gydF4y2Ba

结果和讨论gydF4y2Ba

安雨径流模型为kal河gydF4y2Ba

考虑Birwadi站的降雨、径流、温度和蒸发参数，对Kal河进行了降雨、径流和产沙模拟。在与nntool兼容的METLAB 2.9b中，将该ANN模型用于预测卡尔河的降雨-径流和产沙关系。采用具有s形传递函数的多层前馈感知器反向传播(MLFFP)算法建立了人工神经网络模型。该体系结构是由输入层、隐藏层和输出层组成的三层网络。根据日降雨量(PgydF4y2Ba_tgydF4y2Ba），降雨滞后一天（PgydF4y2Ba_{t - 1gydF4y2Ba}），降雨滞后两天（PgydF4y2Ba_2gydF4y2Ba)、日平均气温(TgydF4y2Ba_tgydF4y2Ba)和日平均蒸发量(EgydF4y2Ba_tgydF4y2Ba)，日流量滞后一天(QgydF4y2Ba_{t - 1gydF4y2Ba}）每日流流滞后两天（QgydF4y2Ba_2gydF4y2Ba）.对于Kal河产沙模型，输入层的神经元数选择最小1个，最大3个，即日流量(gydF4y2Ba问gydF4y2Ba_tgydF4y2Ba)，流量滞后一天(gydF4y2Ba问gydF4y2Ba_{t - 1gydF4y2Ba})及溪流流量延迟两天(gydF4y2Ba问gydF4y2Ba_{tgydF4y2Ba-2gydF4y2Ba}(SgydF4y2Ba_tgydF4y2Ba）.在试验和误差基础上选择隐藏层中的适当数量的隐藏层。通过在训练，测试和验证阶段观察R和MSE值来检查Kal River的ANN模型性能，以选择具有不同输入参数的隐藏层中的相应神经元。该模型是针对隐藏层中输入和神经元的不同组合而运行。考虑到降雨径流模型的总共11种型号，六种模型用于沉积物屈服建模（表2），具有不同的输入参数组合，隐藏层中的数神经元。针对隐藏层中的不同数量的神经元（1至20）评估具有不同输入组合的各个模型。采用R R接近所选时代的一个和MSE的ANN模型用于进一步交叉验证和预测kal河流的径流，并在表2中介绍。gydF4y2Ba

表2：kal河流降雨径流和沉积物造型建模的输入参数和采用ANN结构gydF4y2Ba

选定的ANN模型在降雨径流建模中的性能gydF4y2Ba

采用的模型(1 ~ 11)如表2所示，并对其在训练期间(1991 ~ 2004)和交叉验证期间(2005 ~ 2011)的统计性能进行了评价。训练模式下M2的R值(0.72)较低，M711的R值最高(0.86)。在交叉验证中，M2的最低R为0.75,M7的最高R为0.90(表3)。当RMSE、CE、MAD和MAPE值最小，CV值最大时，模型表现良好。RM11在训练期间表现出最小的RMSE (119.96 cumecs)、EV(0.294 %)、MAD(0.54%)和最高的CE(74.84%)和MAPE(77.48%)，最小的RMSE (98.59 cumecs)、EV(4.19%)。交叉验证期的MAD(- 7.59%)、CE(80.03%)和MAPE(54.82%)最高。模型的性能随着输入层输入量的增加而提高。但是增加径流滞后一到两天的输入层模型的性能显著提高。因此，M7 7到M11相比于M1到M6表现得很好。M9、M10训练期的MAD值和M1、M2、M4、M5、M7、M8、M9、M10、M11验证期的MAD值表明模型对观测径流量的估算过高。在验证期模型对卡尔河径流的估计大多过高。 The all statistical parameters estimated were in the range of other study reported by scientists.

图5给出了训练和交叉验证期间Kal河M11日径流量观测和估算的图形表示，图6给出了观测和估算日径流量模型的对比曲线。结果表明，采用11模型的Kal River模型中，M11训练回归系数为0.7489，交叉验证回归系数为0.8077，最低。还观察到M11较其他模型拟合良好。对于隐层不同的神经元，所采用的模型的性能随着输入层输入量的增加而增加。尽管隐藏层神经元数量多，但输入参数的数量对提高卡尔河神经网络模型的性能起着重要作用。gydF4y2Ba

表3不同输入参数的卡尔河不同ANN模型在训练和交叉验证期间的统计性能gydF4y2Ba

图5：日常观察和散射图gydF4y2Ba 估计的gydF4y2Ba径流的ANN模型gydF4y2BaM11公路gydF4y2Ba 点击这里查看图gydF4y2Ba

图6：观察和估计的比较gydF4y2Ba 每日径流gydF4y2BaANN模型的水文gydF4y2BaM11公路gydF4y2Ba在gydF4y2Ba 培训和验证期gydF4y2Ba 点击这里查看图gydF4y2Ba

选定的ANN模型在泥沙产量建模中的性能gydF4y2Ba

为预测产沙而建立的神经网络模型采用了上面解释的水流预测相同的程序。采用的模型SM1、SM2、SM3、SM4、SM5、SM6在训练阶段的相关系数(R)分别为0.0.92、0.93、0.93、0.93、0.95、0.96，在交叉验证阶段的相关系数(R)分别为0.87、0.92、0.92、0.93、0.93、0.93、0.93。如果R值大于0.90，如果R值在0.9到0.80范围内，模型性能被认为是合理的，则模型性能在预测产沙方面最理想(Kachroo, 1986)。gydF4y2Ba^36gydF4y2Ba为预测kal河沉积物的ANN模型发现R值超过0.90，因此表现良好。训练阶段的所有型号的RMSE在91.58至67.49T /天之间而变化，交叉验证阶段在110.35至83.59 T /日内变化。其他性能指数，如CE，EV，MAD和MAPE为91.55分，分别为91.55分，1.46％和3.62％，-2.90％和-7.16％，分别为28.05％和39.17％培训阶段和交叉验证阶段，它的84.48％和83.59％，86.31％和86.60％，0.12％和0.14％，0.080％和3.12％，23.67％和28.61％，分别用于模型SM5和SM6。因此，具有输入的沉积物载荷的模型在一或两天内改善了在另一个模型上的ANN模型的性能（表4）。模型SM1至SM4的性能是良好的且令人满意的结果，以预测kal河流的沉积物产量。gydF4y2Ba

图7为SM6模型训练和交叉验证期间观测产沙量和估算产沙量(t/day)的散点图，图8为SM6模型日观测产沙量和估算产沙量的比较航道图。从上面的讨论和图形表示可以看出，ANN模型在预测产沙量的训练和交叉验证过程中表现得非常好。SM5和SM6被发现与RgydF4y2Ba^2gydF4y2Ba值大于0.9，关闭安装。gydF4y2Ba

卡尔河降雨径流和产沙的模糊逻辑模型gydF4y2Ba

利用METLAB 9.2b开发的模糊逻辑模型，对卡尔河的日径流量和产沙量进行了预测。FL模型在发展阶段(1991 - 2004)14年和定标阶段(2005 - 2011)7年的统计性能如表5所示。利用R. RMSE等统计指标对模型在发展阶段的性能进行评价。CE、EV和MAD分别为0.91、105.81 cumecs、80.62%、7.15%和13.42%，在验证期间分别为0.954、73.14 cumecs、88.99%、4.78%和8.63%。gydF4y2Ba

表4:不同输入参数的卡尔河不同ANN模型在训练和交叉验证期间的产沙统计性能。gydF4y2Ba

表5：克莱河径流和沉积物产量建模的危险模型的统计性能gydF4y2Ba

利用FL模型和R. RMSE对发育阶段的产沙量进行统计预测。CE、电动汽车和疯狂的0.914,146.11吨/天,82.67%,10.68%,和63.68%,校准期间是0.955,75.74吨/天,分别为88.51%,5.83%,和11.95%,(表5),统计指标观察径流和产沙量模型在可接受的范围内。通过估算和观测的径流和产沙量的散点图评价了FL模型在开发阶段和校准阶段的比较性能，分别如图9和图11所示。在开发和校准期间，观测和估计的径流量和产沙量的比较性能分别如图10和图12所示。据观察，估计的径流和产沙量与观测的径流和产沙量是密切匹配的卡尔河。采用三角MF和COG方法建立的模糊逻辑产沙模型适用于卡尔河的产沙预测。gydF4y2Ba

图7：每日观察到的散射图gydF4y2Ba估计的gydF4y2Ba ANN模型的沉积物产量gydF4y2BaSM6gydF4y2Ba 点击这里查看图gydF4y2Ba

图8：观察和估计的比较gydF4y2Ba 日常gydF4y2BaANN模型的沉积物产量gydF4y2BaSM6gydF4y2Ba在gydF4y2Ba 培训和验证期gydF4y2Ba 点击这里查看图gydF4y2Ba

图9:观测和估计径流的散点图gydF4y2Ba 经过gydF4y2Ba使用输入作为降雨的模糊逻辑模型（PgydF4y2BatgydF4y2Ba)粗铁gydF4y2Ba 河流训练和验证期间gydF4y2Ba 点击这里查看图gydF4y2Ba

图10:观测值和估计值的比较gydF4y2Ba 径流的模糊gydF4y2Ba逻辑模型与每日输入gydF4y2Ba 降雨（PT）期间gydF4y2Ba培训和验证期。gydF4y2Ba 点击这里查看图gydF4y2Ba

图11：观察和估计的散点图gydF4y2Ba 采用模糊逻辑模型，以输入为gydF4y2Ba 平均降雨量（pgydF4y2BatgydF4y2Ba)在训练期间为卡尔河gydF4y2Ba 和验证周期gydF4y2Ba 点击这里查看图gydF4y2Ba

图12：观察和估计的比较gydF4y2Ba 产沙量gydF4y2Ba采用输入为的模糊逻辑模型gydF4y2Ba 每日径流（QgydF4y2BatgydF4y2Ba期间)gydF4y2Ba培训和验证期gydF4y2Ba 点击这里查看图gydF4y2Ba

结论gydF4y2Ba

结果表明，在训练和交叉验证阶段，采用s形传递函数建立的人工神经网络模型最适合用于卡尔河径流量和产沙量的短期预测，其R值大于0.85。其他统计指标也很好地反映了模型的性能。模型的性能得到了改善，在径流预测上增加了1 - 2天的滞后性，在产沙预测上增加了1 - 2天的滞后性。建立的基于事件基础的模糊逻辑模型对Kal河的日径流量和产沙进行了预测，结果表明，该模型在校正和验证期R均在0.90以上。这两种模型在预测水流和产沙方面表现都很好，但与人工神经网络相比，基于事件的FL模型不能在长期基础上执行。gydF4y2Ba

确认gydF4y2Ba

作者非常感谢Subsintend Engineer，HUD，Nashik，提供用于免费的水文和气候数据，也很感谢院长，乌代浦，UDAipur，在研究工作中提供必要的设施。gydF4y2Ba

参考文献gydF4y2Ba

1. Porporato A和Ridolfi L.(2001)。河流流量的多元非线性预测。gydF4y2BaJ.水文gydF4y2Ba．248：109-122。gydF4y2Ba
   CrossRefgydF4y2Ba
2. (2012)基于人工神经网络的水库径流预测模型。gydF4y2Ba国际工程研究与技术杂志gydF4y2Ba．1(3):1-4, issn: 2278-0181。gydF4y2Ba
3. Sinha Jitendra, Sahu R. K.， Agrawal Avinash, Pali A. K.和Sinha B. L.(2013)。使用多层感知器技术的降雨径流建模-恰蒂斯加尔邦上Kharun流域的一个案例研究。gydF4y2Ba农业工程J，gydF4y2Ba50(2): 43-51。gydF4y2Ba
4. (in chinese with chinese abstract)[陈淑敏，王玉梅，祖一。(2013)基于人工神经网络的台风降雨径流模拟。]gydF4y2BaJ.地球系统科学，gydF4y2Ba122 (2): 399 - 407gydF4y2Ba
   CrossRefgydF4y2Ba
5. 氨基胺D. P.和Dulal K.N.（2003）模型树作为雨量径流建模中的神经网络的替代品;gydF4y2Baj .二聚水分子。SCI。gydF4y2Ba48 399 - 411。gydF4y2Ba
   CrossRefgydF4y2Ba
6. 徐丽娟，徐丽娟(1995)降雨径流过程的人工神经网络模型。gydF4y2Ba水资源。res.gydF4y2Ba．31;2517-2530。gydF4y2Ba
   CrossRefgydF4y2Ba
7. 张志强，1999。基于人工神经网络的降雨径流模拟gydF4y2Baj .二聚水分子。EngggydF4y2Ba．4 232-239。gydF4y2Ba
   CrossRefgydF4y2Ba
8. (2002)基于相空间重构和人工神经网络方法的河流流量预测。, 265: 225 - 245。gydF4y2Ba
9. Jain s.k.和d.k.， Srivastva, 2005。人工神经网络在水库流量预测与运行中的应用。gydF4y2BaJ水资源规划与管理gydF4y2Ba．125：23-271。gydF4y2Ba
10. Senthil Kumar A. R.，Ojha C. S. P.，Manish Kumar Goyal，Singh R. D.和Swamee P. K ..（2012）。利用ANN，模糊逻辑和决策树算法建模在印度卡苏尔悬浮沉积物浓度。gydF4y2BaJ.水文工程gydF4y2Ba.@ ASAE: 295 - 403。gydF4y2Ba
11. rahuwanshi1 N. S.， Singh, R.和Reddy L. S.(2006)使用人工神经网络的径流和产沙模型:上Siwane河，印度。gydF4y2Baj .二聚水分子。eng。gydF4y2Ba11:71 - 79。gydF4y2Ba
    CrossRefgydF4y2Ba
12. Jain Kumar Sharad。(2008)。利用复合神经网络建立综合流量泥沙等级关系。gydF4y2Ba水文工程学报。gydF4y2Ba第124-131页。gydF4y2Ba
13. 张志强，张志强，张志强，(2001)人工神经网络在降雨预报中的应用。数学和计算机建模。33: 683 - 693。gydF4y2Ba
    CrossRefgydF4y2Ba
14. 史密斯J.和Eli R. N.（1995）。降雨径流过程的神经网络模型。gydF4y2BaJ. Water Res。Plng。mhnt。asce.gydF4y2Ba．121：49-508。gydF4y2Ba
    CrossRefgydF4y2Ba
15. 扎德·洛杉矶，1965年。模糊集。信息与控制。8(3):338-353。gydF4y2Ba
    CrossRefgydF4y2Ba
16. Kruse R, Gebhardt J, and Klawonn F.(1994)。模糊系统的基础。威利:纽约gydF4y2Ba
17. Theodoridis S，和Koutroumbas K.(1999)。模式识别。学术出版社:纽约:482-483。gydF4y2Ba
18. Nayak P. C.， Sudheer K. P.， and Ramasastri K. S.(2005)基于模糊计算的降雨-径流模型用于实时洪水预报。gydF4y2Ba水文过程J。gydF4y2Ba9：955-968。gydF4y2Ba
    CrossRefgydF4y2Ba
19. 朱M.L，富士塔M.（1994）。模糊推理与神经网络方法预测径流放电的比较。gydF4y2Ba水利科学与工程学报。gydF4y2Ba12(2): 131 - 141。gydF4y2Ba
20. 见L和奥彭肖s(1999)。应用软计算方法进行河道水位预测。gydF4y2Ba水文科学杂志gydF4y2Ba．44(5): 763 - 779。gydF4y2Ba
    CrossRefgydF4y2Ba
21. Stuber M，Gemmar P和Greving M.（2000）。机器支持模糊洪水预测系统的发展。gydF4y2Ba欧洲洪水研究进展会议gydF4y2Ba，波茨坦，PIK报告65,Bronstert A, Bismuth C, Menzel L(编)，Proceedings再版，第2卷，504-515gydF4y2Ba
22. Hundecha Y，Bardossy A和Theisen H. W.（2001）。基于模糊逻辑的降雨径流模型的开发。gydF4y2Ba水文科学杂志》上。gydF4y2Ba46 (3): 363 - 377gydF4y2Ba
    CrossRefgydF4y2Ba
23. Mamdani E. H .和S. asilian . 1975。用模糊逻辑控制器进行语言综合的实验。gydF4y2Ba国际人机研究杂志gydF4y2Ba．gydF4y2Ba7（1）：1-13。gydF4y2Ba
    CrossRefgydF4y2Ba
24. Tayfur, G.， Ozdemir, and S. Singh, vp，(2003)。裸露土壤表面径流泥沙输运的模糊逻辑算法。gydF4y2Ba放置水物gydF4y2Ba．26日:1249 - 1256。gydF4y2Ba
    CrossRefgydF4y2Ba
25. 昌，L.C.，Chang，F. J.和Tsai，Y. H.（2005）。基于模糊的示例性的洪水预测推断系统。gydF4y2Ba水资源Res。gydF4y2Ba41。gydF4y2Ba
    CrossRefgydF4y2Ba
26. Maskey，S.，Guinot，V.和价格R. K.（2004）。降雨径流建模降水不确定性：模糊套装方法。gydF4y2BaResour放置水。gydF4y2Ba27日(9):889 - 898gydF4y2Ba
    CrossRefgydF4y2Ba
27. 蒂尔曼特，范looster, M, Duckstein, L，和人，E.(2002)。模糊与非模糊水库优化调度策略的比较。gydF4y2Baj . Resour水。Plann。管理gydF4y2Ba．128(6): 390 - 398。gydF4y2Ba
    CrossRefgydF4y2Ba
28. 洪，Y. S.，罗森，M. R.和里夫斯，R. R.(2002)。城市裂隙含水层雨水入渗的动态模糊模拟。gydF4y2BaJ.水解光。eng。gydF4y2Ba7(5): 380 - 391。gydF4y2Ba
    CrossRefgydF4y2Ba
29. Angabini S.，H. Ahmadi，S .Feiznia，B. Motamed Vaziri和S.Ershadi。2014年。使用智能模型来估算悬浮沉积物系统案例研究：Jagin Dam。公牛。env。药学。生活SCI。，卷。3 sp。问题三：166-172gydF4y2Ba
30. Lohani A. K.，N.K. Goel和K.K.S.Bhatia。2011.不同输入域下日雨阵雨模型中神经网络，模糊逻辑和线性转移功能技术的比较研究。gydF4y2Ba水文过程。gydF4y2Ba10.1002 / hyp.7831.gydF4y2Ba
    CrossRefgydF4y2Ba
31. Rumelhart, E. G.， Hinton和R Williams. 1986通过错误传播学习内部表征。gydF4y2Ba并行分配过程gydF4y2Ba．1:218 - 362 \gydF4y2Ba
32. Samani, n.m, Gohari-Moghadam, and A. A Safavi. 2007。确定含水层参数的简单神经网络模型，gydF4y2Baj .二聚水分子。gydF4y2Ba， 340, 1-11, doi:10.1016/j.jhydrol.2007.03.017。Cross Ref, Web of Science。引用时间:22,ADSgydF4y2Ba
    CrossRefgydF4y2Ba
33. 森,1999年z。工程中的模糊建模。gydF4y2Ba课堂笔记gydF4y2Ba，土木工程学院，伊斯坦布尔技术大学。，伊斯坦布尔，土耳其（土耳其）。gydF4y2Ba
34. 亚伯拉罕·B和J·勒多托，1983年。预测的统计方法。gydF4y2BaJohn Wiley和Sons IncgydF4y2Ba纽约。: 472gydF4y2Ba
35. 纳什J. F.和J. V. Sutcliffe, 1970。基于概念模型的河流流量预测。gydF4y2Ba二聚水分子科学学报,gydF4y2Ba44: 399 - 417gydF4y2Ba
36. R. K. Kachroo, 1986。河流流量预测研讨会，南京，中国，未发表的内部报告，工程部水。1986年，爱尔兰戈尔韦大学。gydF4y2Ba