SWAT与MIKE21耦合模型及其在澎溪河流域的应用

结合SWAT分布式模型研究污染负荷的优势和MIKE21模型对水动力水质先进的模拟技术,构建SWAT与MIKE21耦合模型。根据澎溪河地形、土壤、植被、气象、水文、水质资料,在空间上建立流域SWAT水文单元与MIKE21水动力模型边界的连接,在量值上建立SWAT模型各水文单元污染物负荷输出量与MIKE21模型污染浓度输入量之间的分配关系,研究澎溪河流域输沙量、氮、磷负荷量和水污染。模拟结果表明：2009年3月至2010年3月澎溪河渠马、高阳、黄石、双江大桥4个断面的总氮、总磷浓度和叶绿素a含量的模拟值与实测值具有较好的一致性,澎溪河回水区水质为中营养~中富营养状态,水体氮、磷等营养盐浓度主要受面源污染的影响。SWAT与MIKE21耦合模型可靠性好,适合于流域水污染研究     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。