相关实验视频
Updated: May 14, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
多时河流排放预测:综合环境管理和洪水控制的新框架
Victor Joubier1, Isa Ebtehaj2, Afshin Amiri2
1Department of Civil Engineering, University of Ottawa, 161 Louis Pasteur Private, Ottawa, ON, K1N 6N5, Canada; École Nationale du Génie de l'eau et de l'environnement de Strasbourg, 1 Cr des Cigarières, Rue de la Krutenau, 67000, Strasbourg, France.
先进的通用群组数据处理方法 (AUGMDH) 模型显著提高了河流流量排放估计的准确性. 这种新方法在每日,平均月度和最大月度流量预测方面优于卷积神经网络 (CNN) 模型.
科学领域:
- 水文与水资源工程 水文与水资源工程
- 环境科学 环境科学
- 数据科学和机器学习
背景情况:
- 准确的河流流量估计对于水资源管理和洪水减缓至关重要.
- 传统的机器学习和深度学习模型显示出希望,但需要进一步探索多时流河流预测.
研究的目的:
- 引入和评估一个先进的数据处理通用组方法 (AUGMDH) 模型,用于在各种时间尺度上估计河流排放量.
- 将AUGMDH模型的性能与卷积神经网络 (CNN) 模型进行比较.
主要方法:
- 这项研究采用了高级通用群组数据处理方法 (AUGMDH) 模型.
- 通过比较AUGMDH与卷积神经网络 (CNN) 模型进行每日,平均月度和最大月度流量放电估计来评估性能.
- 关键性能指标包括确定系数 (R2),纳什-萨克利夫效率 (NSE),正常化根平均平方误差 (NRMSE),RMSE观察到的标准偏差比率 (RSR) 和百分比偏差 (PBIAS).
主要成果:
- 在所有性能指标上,AUGMDH模型在日常,平均月度和最大月度流量估计方面始终优于CNN模型.
- 与CNN相比,AUGMDH实现了更高的R2和NSE值 (例如,R2=0.972,NSE=0.972每日流量),以及较低的AIC和不确定性值.
- AUGMDH模型展示了卓越的准确性,可靠性和计算效率.
结论:
- 先进的通用群组数据处理方法 (AUGMDH) 模型为河流流量估计提供了更强大,更可靠的解决方案.
- 在不同的时间尺度上,AUGMDH在预测河流流量排放方面超过了CNN模型.
- 这些发现支持采用AUGMDH来改善水资源管理和洪水风险评估.
相关概念视频
Rapidly Varying Flow
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Gradually Varying Flow
Design Example: Creating a Hydraulic Model of a Dam Spillway
Typical Model Studies
Conservation of Mass in Moving, Nondeforming Control Volume
In the context of a detention basin, the conservation of mass states that the total mass of water entering the basin must equal the mass leaving the basin plus any accumulation of...

