基于Elman网络和实时递归学习的洪水预报研究

万新宇，华丽娟，孙淼焱，钟平安

(河海大学水文水资源学院，江苏南京210098)

我国洪涝灾害发生频繁，经济损失巨大[1]。准确预报洪水过程是减轻洪水灾害的一项重要的非工程措施[2]。目前，洪水预报方法较多，大体可分为模型驱动与数据驱动两类。模型驱动利用各类基于物理机制的水文模型进行洪水预报，如新安江模型[3]、TOPKAPI模型[4]和TOPMODEL[5]等。此类模型能详细描述流域洪水形成过程，预报精度高，应用广泛；但对资料要求高，除了基本的降雨径流资料外，还需要流域蒸发、地形地貌和土地利用等资料的支撑[6]。当资料要求得不到满足时，人们常常依据统计理论构建降雨径流数据驱动模型，如ARMA[7]、NARX[8]和神经网络模型[9]等。其中，以神经网络模型应用最为流行。

神经网络模型一般分为静态网络和动态网络[10]。静态网络主要有反向传播网络[11]、径向基网络[12]和广义回归网络[13]等。其中，以应用反向传播网络进行洪水预报最为普遍[14-15]。然而，流域洪水过程是一个复杂的非线性的动态过程，当前时刻洪水流量受到前期若干时段的降雨、径流以及流域状态的影响，静态网络一般难以反映这种动态特征[16]。相反，动态网络因具有反馈连接和延迟结构而能够反映系统的动态变化过程，如Elman网络[17,18]和NARX网络[19]。为此，本文以淮河流域响洪甸水库为例，基于Elman网络构建洪水预报模型，采用实时递归学习算法进行模型训练，并对模型预测性能进行评价。

1 研究方法

1.1 Elman动态网络

本研究基于三层感知机，构建动态神经网络，其中包含1个输入-输出联结层、1个隐含层和1个输出层，具体结构如图1所示。……