简介:基于Saint-Venant方程组的守恒形式,重构了各物理变量在单元格边界的黎曼状态值,实现了各变量在计算区域内的二阶精度分布。在此基础上,构造了对流通量项的具有标量耗散特征的有限体积法,并在地表水位相对高程梯度离散式中引入额外空间离散项,该项在有水区域为零,并在无水区域能与地表水位相对高程梯度项相互抵消,从而正确描述地表水位相对高程梯度的真实作用。采用双时间步法对Saint-Venant方程组的空间离散式进行全隐式离散,实现了无条件稳定求解。选取了2个典型算例,采用数量呈倍数递减的3种时间步长进行数值模拟,通过与解析解和实测结果进行对比,验证了数值解法的模拟效果和收敛性。结果表明,建立的数值解法能以优良的拟合度模拟不同断面几何约束下的溃坝过程,模拟结果表现出了良好的收敛性。
简介:针对高光谱曲线中可能存在噪声以及传统半经验方法不能有效利用全部光谱信息的问题,提出了耦合Haar小波变换和偏最小二乘的水质遥感高光谱建模方法(HaarWT—PLS)。利用该方法,对在南四湖获取的实测高光谱数据经分解尺度为3的Haar小波变换后,将原始光谱数据压缩到47个特征变量;随后利用小波变换重构的光谱数据建立了悬浮物浓度和浊度的HaarwT—PLS反演模型,并进行了验证。结果表明:HaarWT—PLS反演悬浮物浓度和浊度精度较高,验证样本的均方根误差分别为25.05mg/L和20.10NTU,平均相对误差分别为20-36%和13.88%。通过和单波段模型、一阶微分模型和波段比值模型进行精度对比分析,本文建立的HaarWT—PLS模型反演悬浮物浓度和浊度具有较高的精度和更好的稳定性。
简介:造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。