当前的世界环境

介绍

每日，每月或更长的时间间隔流流程预测对于水资源系统可靠运行最重要。可靠的流流程预测可以有效地为水电站，农业和国内等竞争水用户分配水，以维护环境流动。对水电项目对气候变化的影响进行了各种研究。^1，2可能的影响可分为三个方面，即:(a)可用的流量可能发生变化;水文通常与当地的天气条件有关，如流域的温度和降水。^8.这将影响水电工程的经济和财务变异性。(b)气候变率的预期增加可能引发极端气候事件，如洪水和干旱。水文模型表明，孟加拉国遭受极端洪水的巨大风险，这导致恒河、雅鲁藏布江和梅克纳河这三条区域河流的峰值流量持续增加。(c)改变水文和可能发生的极端事件必然对泥沙风险和措施产生影响。水力发电工程可能遭受巨大的暴露在水轮机侵蚀，由于泥沙沿其他因素，如变化的水成分。¹³有几种建模技术已经被全世界的研究人员用于缩小比例和气候评估，如支持向量机，人工神经网络，²其中一个人工神经网络已经有效地用于建模各种水相关过程。人工神经网络是通过运作人脑的启发。由于开发更先进的算法和更强大的计算机的出现，它经历了巨大的振兴。在数学上，ANN通常被视为普遍的近似。从给定模式识别关系的能力使得适用于分析和解决图案识别，非线性建模和分类等大规模复杂问题。流量预测馈送前向神经网络模型的效用优于传统模型回归分析或线性模型。^3.建立了山地流域人工神经网络模型，得出了输入变量的选择，定义了模型在定标过程中的学习强度。结果表明，春季和夏季的月流量能较好地表示，改进了其他方法的计算结果。^5.类似的发现已被认可^6.对于Hemavathi河流域。培训的网络用于单步和多步预测。得出结论是，递归神经网络在单时间步骤和多个时间步长的每月河流中的流动时表现出很高的FFN。

如上所述，气候变化将改变水域的发生和分布。因此，该项目的主要重点是观察气候变化对Ranganadi河未来流量情景的可能影响，以及随后对水电发电的影响。¹⁴Ranganadi是Brahmaputra河的支流之一。为了预测未来的流量，然后开发了人工神经网络模型以用于降低GCM数据。然后使用ANN缩小模型来预测河流的未来流流程。^7.关于这一点，具体目标如下:(A)观察气候变化对Ranganadi河水流的可能影响。(B)对Ranganadi水电发电的影响。

研究区

研究区仰光河距离Brahmaputra河的主要支流之一约1749平方公里。它起源于Arunachal Pradesh的Tapo Mountain Ranges。该研究区位于印度Brahmaputra河流域的94°02'34“e经度和27°14'01”N纬度，如图2.1所示。Ranganadi River的流量由Ranganadi 405 MW水电项目大坝管制。Ranganadi Dam是阿鲁纳恰尔邦Ranganadi河上的混凝土大坝，该大坝在阿鲁纳恰尔邦的河岸，供应河流计划。该大坝旨在用于水力发电，是Ranganadi水电项目第1阶段的一部分，并在27ëŠ15'27“N93ëš47'32”中支持405 MW Dikrong Power House。

图2.1：ranganadi集水区 点击这里查看图

使用的数据

流流数据

对于本研究，根据可用性，20年每月流量数据从1972-1982和2001-2009的两种不同间隔使用。

GCM数据

一般循环模型（GCM）是一般循环的一般循环或行星大气的数学工具，并模拟全球气候变化的时间序列，占温室气体和环境的影响。^5.GCM也被称为全球气候模式。本研究使用了三种GCM (HadCM3 CGCM2和GFDL)进行影响评估。HadCM3代表哈德利中心耦合模型版本3。这个模型不需要流量调整。在该模型中，CGCM3的空间分辨率约为2.5度纬度和3.75度经度．CGCM2代表第二代夫妇全球气候模型。大气全球气候模型和海洋全球气候模型是该模型的两个主要组成部分。CGCM2的空间分辨率大约为3.75度纬度和经度，垂直31级。在OGCM2空间分辨率1.85度和垂直级别等于29.地球物理流体动态实验室（GFDL）耦合大气 - 海洋一般循环模型。该模型已被证明，在热带大西洋中的观察到的季节性周期和年度变异性方面产生了非常忠实的模拟。空间分辨率为2.25度纬度和3.75度经度。

图3.1：在研究区域中选择的GCM点 点击这里查看图

材料与方法

缩减是一种技术从模型中获取输出并在较小的尺寸下添加信息。全球气候模型（GCMS）以粗糙的空间分辨率运行，由于云覆盖和其他效果，不能直接在局部影响研究中使用。为了克服这个问题，缩小的方法正在生成以获得来自GCMS提供的区域级大气变量的本地尺度表面天气参数。¹⁵神经网络是水文预报方法分析的工具之一。¹⁶它可以被认为是涉及搜索和匹配程序的计算模式，其允许预测而没有对物理过程的亲密知识。神经网络寻求输入和输出数据之间的关系，然后创建其自己的方程以迭代方式匹配模式。¹⁷在这项研究中，通过改变不同的算法并改变1至15的不同算法来决定最佳模型，这些学习率从0.01至0.9的各种学习率组合，从0.01到0.9的动量因子。在三个明显分开的阶段之后一直遵循预测。它们是培训模式，验证和测试阶段。在训练模式中，输出与视线相关联，如所需，定义了模式。根据此错误调整网络。在此阶段使用验证数据集以确保模型不会受过培训。在测试阶段，使用未在培训中使用的数据集进行测试。

数据在进入神经网络之前被归一化。由于算法的性质，大的数值减缓了训练过程。这是因为s型函数在极值接近于零时的梯度。均值和标准差(mapstd)，一种缩放网络输入和目标的方法，以最小化训练集的标准差和均值。mapstd函数对输入和目标进行规范化，使它们具有零均值和统一标准差。原始网络输入和目标用矩阵和表示。它们有效地作用于网络的一部分，就像偏见和网络权重。在此之后，输出被转换回相同的单位。¹¹

选择预测

Pearson相关性用于选择预测器Pearson相关性是预测器和预测性之间的简单相关性。在相关测试中，“0”表示弱相关，而“1”表示强相关。

表4.1显示了观测到的河流流量数据与GCM模拟数据的相关性

根据这个表，我们将在下一步使用相关值最好的预测器。


表4.2：所选预测器列表

表4.3：CGCM2之间的相关性并观察到

表4.4：所选预测器列表

表4.5:GFDL与观测数据的相关性

表4.6：所选预测器列表

绩效指标

对于拟合的良好，ANN模型和Microsoft Excel使用了相关系数（R）和均方误差。

结果

本章处理从基于ANN的流流模型获得的结果。已经尝试开发ANN模型，以便预测Ranganadi河流流量。均值和标准偏差（MapStd）函数用于使用MATLAB缩放所有输入和目标数据。在本研究中，我们跟进了三个GCM模型，用于向ANN模型的基于级次级方法提供输入参数，使用HADCM3 CGCM2和GFDL模型仰光河流流动预测。通过每个GCM型号，我们都多样化了七种不同的算法，以实现最佳的Ann模型。ANN模型考虑了具有不同隐藏神经元层的适应性系统，因此我们还通过每种算法和每个模型来改变神经元的NO。

评估HADCM3 GCM的ANN模型的最佳优化算法和ANN模型隐藏神经元的最佳数量

最初，研究区域附近可用的单个GCM点用于预测河廊的未来流动。表5.1显示了Levenberg-Marquardt算法的比较研究。^6.可见，当隐藏神经元数为8时，MSE为0.064。由表5.2可知，采用批处理梯度下降算法，当隐藏神经元数为5时，MSE为0.085。由表5.3可知，变学习率算法的最小MSE出现在隐神经元数为8时，其值为0.904。当隐藏神经元数为10时，弹性传播算法的最小MSE值为0.095，如表5.4所示。当隐藏神经元数为8时，尺度共轭梯度算法的MSE值在表5.5中为0.102。表5.6显示了拟牛顿算法在隐神经元数为5时的最小MSE为0.089。拟牛顿一步割线算法表明，当神经元数为11时，最小MSE为0.077。由表5.1可以看出，levenberg-marquardt算法在隐藏神经元数为8时，MSE最小。该研究表明levenberg-marquardt算法是在这种情况下训练网络的最佳算法。

表5.1:-使用levenberg-marquardt算法的神经网络性能

从表5.1可以看出，根据训练算法，学习功能'trainlm'是最好的。选择最佳数量的神经元是ANN模型开发的重要组成部分。已经评估了具有50％数据的TrainLM算法，用于训练和50％的验证和测试，以获得最佳的神经元数。隐藏神经元数量从1-15变化。ANN模型的性能与n = 8显示在表5.1中。可以看出，MSE最小，值为0.064，具有训练= 0.711，验证= 0.789，测试值为0.7016。

图5.1：培训的回归曲线， 验证，使用Hadcm3数据进行测试 点击这里查看图

图5.2：使用HADCM3数据的性能曲线 点击这里查看图

图5.1显示了回归曲线表示培训，验证，测试和所有R值，其中数据在训练，验证，测试线和最佳拟合线之间变化。我们的目的是沿着最佳拟合线设置数据，以便我们达到最佳回归值。在图5.1中，验证数据非常接近最佳拟合线。图5.2的性能曲线显示了用于训练，验证和测试的MSE。对于EPOCH 5，图5.2清楚地表明验证线非常接近最佳拟合线。如果这两条线重叠，则意味着MSE值已被最小化。

此后，采用研究区域和研究区域和周围的五个HADCM3点的平均值，并获得回归和MSE值以预测流流程。5个点的平均值为训练和验证提供了最佳结果，但性能MSE值是不可接受的，如表5.9所示

表5.2:-神经网络在不同神经元数量下平均5点的性能

评估CGCM2 GCM的ANN模型的最佳优化算法及最佳数量的神经元

考虑到CGCM2数据，在这种情况下，还进行了研究，也是研究区域附近可用的点数据被认为是ANN模型的输入。表5.9显示了Levenberg Marquardt算法的结果，最小MSE为0.045，与神经元数为6. Levenberg Marquardt算法显示与CGCM2型号的其他算法相比的最低最低MSE值。下表显示了每种算法的结果。

表5.3:使用levenberg-marquardt算法对CGCM2数据进行人工神经网络的性能

图5.3:训练回归曲线， 验证，使用cgcm2数据进行测试 点击这里查看图

图5.4：使用CGCM2数据的性能曲线 点击这里查看图

最后，我们将GFDL模型参数随后作为ANN模型中的输入。在下表中，GFDL的结果已经显示，并且突出了每种算法的精确结果。Levenberg-Marquardt算法显示训练= 0.8220，验证= 0.8298，测试= 0.7299，通过MSE = 0.035，其是所有三种模型和七种算法的最低MSE。使用这三个GCM模型后，结果侧重于GFDL模型最适合该区域的流流程预测。

表5.4:使用Levenberg-Marquardt算法对使用GFDL数据的神经网络的性能

图5.5:训练回归曲线， 验证，使用GFDL数据进行测试 点击这里查看图

图5.6:使用GFDL的性能曲线 点击这里查看图

河南河未来径流模拟

上述分析表明，该研究中考虑的三种GCM模型中最好的GCM是GFDL GCM模型。因此，在研究中使用GFDL模型来预测河流的未来流程。用Levenberg-Marquardtalgorithm培训的ANN模型以及10的隐藏神经元用于预测河流的未来排放。图5.7预测图表明流流量的增加趋势。

图5.7：观察和预测的性能曲线 点击这里查看图

如前所述，河廊河上存在水电项目。大约414.72 MCM水是正确生产水电的全部能力所必需的。THR水库的存储容量约为15 MCM。基于未来流动流量的增加趋势，进行了模拟，以估计将用于发电的水量。如果可用水大于或等于414.72mcm，则将未来不会有任何供电水资源。如果每月可用水低于414.72 MCM，那么它将无法运行电力房屋的全部容量。图5.8表示基线周期的每月可用水，并显示未来时期的可用水。它表明，在未来，除了几个月之外，水的水量与展示相比。

图5.8：未来可用水性能曲线 点击这里查看图

图5.8为当前和未来可用于水力发电的水量。可以看出，在未来的可用水量将会比基准期更大。随着流量的增加，电力工程的发电量将会增加。值得注意的是，本研究是在考虑河流月流量数据的情况下进行的。本工程为流水工程，库容非常小。因此，每天用于发电的水的实际可用性可能会有所不同，未来可能不会有更多的电力。但是，对于容量较大的项目，未来的发电量可能会超过基准期。

图5.9水的性能曲线 未来可用于水电 点击这里查看图

讨论

气候变化是一种水文现象，其变异在自然界中发生。因此，我已经考虑了三种模型，并采取了平均5年间隔的输入，以最小化变化。在这项研究中，我们跟进了三种GCM模型，用于将输入参数提供基于ANN模型的级级方法，HADCM3 CGCM2和GFDL模型用于预测Ranganadi River的流流程。输入参数选择了模拟和观察数据之间最佳相关性的结果。基本ANN在训练算法，隐藏层中的神经元数进行了优化，改变了学习率和动量系数的各种组合。通过使用算法的各种组合和用于最小化性能误差的神经元数，获得了Levenberg-Marquardt算法的最佳结果，其中隐藏的神经元数量为10.模拟工作通过最佳优化模型完成。图5.7预测图表明2040年的流流程的场景将在越来越大的趋势。

结论

在这项研究中，对于仰光河，已经预测了可能的未来流流程。预测通过使用人工神经网络缩小来完成。基本ANN在训练算法，隐藏层中的神经元数进行了优化，改变了学习率和动量系数的各种组合。通过使用算法的各种组合和用于最小化性能误差的神经元数，获得了Levenberg-Marquardt算法的最佳结果，其中隐藏神经元数量为10.仿真工作根据河廊河上存在的水电项目。大约414.72 mcm（从阿鲁纳卡尔邦上的电力房屋收集的数据）是正确生产水电的必要条件。水库的存储容量约为15 mcm。图5.7预测图表明2040年的流流程的场景将在越来越大的趋势。基于未来流动流量的增加趋势，进行了模拟，以估计将用于发电的水量。如果可用水大于或等于414.72mcm，则将未来不会有任何供电水资源。如果每月可用水低于414.72 MCM，那么它将无法运行电力房屋的全部容量。 Fig 5.8 indicates the available water per month for the base line period and also shows the available water for future period. It shows that in the future, much more amount of water as compare to present except for few months. So, electricity generation will higher and we can allocate remains amount of water for different purposes.

参考

1. 张杰，王永强。气候变化和人类活动对渭河流域径流的影响爱思唯尔卷。380-381.(2015)
2. 基于不同人工神经网络算法的水流预测。水文工程学报1084-0699(2007)12:5(532)(2007)。
3. 西兰，C. M.，烧伤，D。H.和Simonovic，S。P.使用人工神经网络的短期流流预测。水文杂志。214，32-48(1999)。
   CrossRef
4. Kumar，D.和Bhattacharya，R. K。，。分布式降雨径流建模。国际地球科学与工程杂志。第04卷，NO 06 SPL，270-275（2011）。
5. 政府间气候变化小组气候变化：影响，适应和脆弱性。工作组对政府间气候变化小组第四次评估报告的贡献。剑桥，英国：IPCC。（2007）
6. 亚当，P.P.，Jaroslaw，J.，N.优化河流流量预测的神经网络与Levenberg-Marquardt Apporch 407（2011）12-27．(2011)
7. Ahmed，J.A.，Sarma，AK ..人工神经网络模型用于合成流流量。水资源管理21（6）：1015-1029.．（2007）
   CrossRef
8. 全球气候变化对水电项目的影响评估:印度、斯里兰卡和越南的应用(FEU)
9. IMRIE，C. E.，DURUCAN，S.KORRE，A.使用人工神经网络的流量预测：超出校准范围的泛化。水文学杂志223（2000）138-153(2000)
10. Mujumdar，P. p.，“气候变化对印度可持续水资源管理的影响”，地球物理和化学，33，PP。354-358．（2008）
    CrossRef
11. Karunanithi，N.，Grenney，W.J.，Whitley，D.和Bovee，K ..河流预测的神经网络。asce J.CMP。民间eng。8（2），201-220。（1994）
    CrossRef
12. Kumar D.N.，Raju S.K.和河流流量预测使用反复性神经网络。水资源管理18：143 - 161．(2004)。
    CrossRef
13. 拉格武汉，N.S.，Singh，R.和Reddy，L.S。。利用人工神经网络的径流和沉积物屈服建模：印度上圩河。J液压ENDCECE，11（1）：71 - 79．(2006)
14. 亚马尔·霍什，深夏雷和穆贾姆达普P.P，“Mahanadi Stream Flow：气候变化影响评估和适应策略”，当前的科学，卷。98，8号PP。1084 - 1091．(2010)
15. 维基百科，免费的百科全书“全球气候模型”评估气候参数。http://en.wikipedia.org/wiki/global
16. Yonas, B. Dibike, Paulin, Coulibaly，“sataguenay流域气候变化的水文影响:降尺度方法和水文模型的比较”，水文杂志，卷。307，pp。145-163．(2004)。
17. 雷，r.m.和sarma ak。基于ANN技术的不同时间步骤的合成流流量的输入参数选择的重要性。土木工程系。Iit Guwahati。（2007）