文摘

预测未来水资源的需要更水资源规划人员和有关部门的关注。然而,传统的计算模型对流域水文模型需要很多数据本身。有时,这些重要的数据在集雨由于许多原因不可用。因此,人工神经网络(ann)是有用的软计算工具在预测真实场景,比如预测未来从流域水资源,没有密集的数据需要在水文建模实践。这些人工神经网络可以建立关系的非线性现实问题使用可用的数据,然后使用,建立关系来预测未来的需求。尽管斯里兰卡有一个广泛的使用水资源对于许多活动,包括饮用水供应,灌溉、水电开发、导航、和许多其他娱乐目的,预测研究对于水资源不被执行。因此,有一个巨大的空白预测水可用性和需要在斯里兰卡的上下文中。因此,本文提出了一种人工神经网络模型来预测流入的最重要的一个水库在斯里兰卡北部使用上游流域的降雨。未来的降雨数据提取使用2021 - 2050年区域气候模型和流入水库的使用验证神经网络预测模型。一些训练算法包括Levenberg-Marquardt (LM), BFG拟牛顿(高炉煤气),按比例缩小的共轭梯度(SCG)被用来找到最好的拟合训练算法的预测过程对测量流入资金流入。 Results revealed that the LM training algorithm outperforms the other tests algorithm in developing the prediction model. In addition, the forecasted results using the projected climate scenarios clearly showcase the benefit of using the forecasting model in solving future water resource management to avoid or to minimize future water scarcity. Therefore, the validated model can effectively be used for proper planning of the proposed drinking water supply scheme to the nearby urban city, Jaffna in northern Sri Lanka.

1。介绍

水是文明的生活。可用的水的需求总是在任何社区;因此,这使得许多冲突的历史。他们是否被记录在一个可靠的方法,对水的冲突的历史延伸到人类的文明1- - - - - -4]。各种水需求使用了这些冲突更为重要。谈判在不同的利益相关者带来不同方面用水,他们可以启动不同的问题。例如,有些人可能认为应优先考虑饮用水而不是农业。然而,农民们可能认为应优先考虑他们的生活更接近特定的水资源。因此,冲突的社区之间的水甚至可能发生相同的国家。

另一方面,斯里兰卡作为一个国家面临许多冲突,因为水在历史5- - - - - -8),尽管这个国家有很多水资源。它是一个富含水分的国家。管理其水资源在过去。然而,有几个事件,冲突带来的社会各种利益相关者。Iranamadu水库水资源管理,在斯里兰卡北部,是这种情况下展示水在斯里兰卡的冲突。

与此同时,气候变化所做的许多不利影响和气候可变性水资源不仅斯里兰卡也遍布世界各地。一些国家,像埃塞俄比亚、索马里、吉布提、厄立特里亚、肯尼亚、和斯洛伐克,经历了干旱气候模式(9,10),而其他一些国家,比如英国,斯里兰卡,立陶宛,和缅甸,经历了强化降水事件(11,12]。这些极端气候事件影响的不利影响供水系统(13),排水系统(14),农业(15),水电开发(16),和运输17]。然而,引发山体滑坡等自然灾害,洪水和暴雨大风带来更多的体重问题。

此外,气候变化的影响已经目睹了许多其他多个部门。例如,更高的温度,热浪的原因,破坏了生态系统,人类健康和农业在欧洲地区(18- - - - - -20.]。此外,它是展示,增加大气温度大大降低了农业生产率在巴基斯坦(21]。另一方面,寒冷的温度由于气候变化破坏了农业产量(22,23]。不仅农业损失由于气候变化,但也有大量的证据表明,在许多其他领域对气候变化的影响,包括生物多样性、水资源、和水力发电。

因此,适当的水资源规划和管理是一个必须为未来的世界。预计气候情景可以用来确定未来几年的可用水资源,因此,可以预先计划的适当措施。这些措施可能没有完美;然而,一个可接受的精度将获得许多利益相关者的利益。因此,预测或预测流入水库是非常重要的。

时间序列预测流入水库是一个重要的任务(可能最重要的在控制储层的存储)。因此,它是一个必要的活动来管理水资源等各种下游任务的饮用水供应,水电开发和灌溉。有几种方法预测的流入系统从简化的坦克模型(24- - - - - -27)水文路由不稳定模型(28- - - - - -32]。文献显示这些方法被归入到经验,概念,物理和数据驱动模型33- - - - - -36]。然而,使用人工神经网络引入了一种合理的新方法(相比传统的计算模型)在预测集水流入不使用许多物理流域数据。

预测技术是不同的从一个集水到另一个集水取决于可用的流域特征。除此之外,数据可用性中起着重要作用在预测模型的准确性37,38]。此外,不同的计算模型有不同的建模精度的预测过程。

一些研究人员结合遗传算法和ANN预测流入水库(39]。结果Sedki et al。39]表明,混合模型结合遗传算法安比传统的人工神经网络。然而,一个训练有素的ANN模型仍然可以是一个有用的工具来预测流入储层在低计算成本。此外,人工神经网络不需要固定和固定变量正态分布相比,经典随机模型(40,41]。此外,人工神经网络是相对稳定的各种噪声的测量数据(42]。同时,人工神经网络能够建模复杂和非线性水文过程(43];具有自我调节能力的数据(44),需要知识有限的水文过程(45),轻松集成到其他模型(43),和更少的计算成本的需求很少其他水文过程中人工神经网络的优点。

然而,流入预测使用人工神经网络也有一些缺点。非平稳的数据有一些影响预测(46,47]。气象学的极端事件可能不会被预测。因此,流入预测可能误导规划者和政府。此外,季节性降雨的影响可能会影响预测的质量(48]。

然而,尽管一些缺点,文学给很多流入使用人工神经网络预测的例子(49- - - - - -54由于他们的优势。许多研究人员使用不同类型的算法使用人工神经网络在预测流入。例如,Kişi [55)已经使用四种不同的算法,包括反向传播,共轭梯度,级联相关,Levenberg-Marquardt流速及流水量预测。然而,使用ANN预测流入在斯里兰卡很新。只有少数的研究已经完成斯里兰卡以同样的方式(56,57]。Basnayake et al。56)开发了一个模型来预测每月流入到斯里兰卡的主要水库在潮湿的区域。他们利用非线性自回归与外源输入(NARX-ANN)神经网络;然而,他们并没有提出他们的模型对未来几年预计气候情况。除了研究Basnayake et al。56,57),作者找不到相关研究在斯里兰卡的上下文中。此外,此类研究的重要性是可见的,当有冲突在水中使用在干燥区。

因此,重要的是及时进行水文流域分析预测的流入Iranamadu水库,因此调查的培养能力Iranamadu水库在即将到来的开发项目正在进行的气候变化情景。因此,本文介绍了软计算技术在寻找之间的关系流域的降雨和流入Iranamadu水库。流计算的传统方法、水文流域建模,没有进行这两个重要的原因:不可用各种数据和实际水文模型的复杂性没有所需的各种数据,包括一个密集的雨量数据网络,及时测量流速及流水量,土壤入渗和蒸发。获得的关系被用来预测Iranamadu流入预计2021 - 2050年的气候情况。未来气候数据提取区域气候模型使用协调区域降尺度实验(CORDEX)。

这里给出的结果揭示了这样一个研究的重要性的数据不可用和发达的使用模型在未来Iranamadu水库水资源管理。

2。研究区及其缺水问题

Iranamadu水库是斯里兰卡北部最大的水库,可以被认为是最重要的一个水库。水库由Kanakarayan nutrified阿鲁,河长86公里,从Semamadu Kulam在瓦武尼亚地区。已经表示,冲突引起了该地区由于这个水库的水资源。水利的供水水库是同等重要的许多其他水库在斯里兰卡。水库满足约8000 - 10000公顷稻田。

斯里兰卡实践两个种植季,即王位,也拉的季节。摩诃是主要培养季节而也拉是次要的季节。摩诃季从9月开始,一直持续到明年的3月。然而,自赛季开始在5月和8月结束。赛季本身治疗是一个次要的季节由于低灌溉的水资源在干燥的月份。

图1显示了耕地区域和相应的水稻产量多年来摩诃(见图1(一))和泰国(见图1 (b))季节(王位和也拉是两个主要的农业国家的季节)。即使没有连接从一年到另一个,虚线是用来展示变化明显。没有查看2008到2009年期间将加强在该地区的战争活动。然而,自2009年以来,该地区种植。这是一个优势;斯里兰卡是享受,因为战争结束冲突。耕地之间的数据显示更大的相关领域和水稻收成。然而,有滴在耕地面积和收获(例如:在2012年和2016年在马哈季和2014年,2016年、2017年和2018年在泰国的季节)。主要原因是水资源不可用Iranamadu水库由于在该地区的严重干旱。

(一)
(一)
(b)
(b)
图1
收割水稻的种植面积在基利诺奇区(数据源:【58])。般的赛季(a)和(b)也拉的季节。

Iranamadu坦克是第一个新坦克建造的灌溉,斯里兰卡,除了恢复古代水利的坦克(59]。这个坦克与流域面积588公里2建筑坝的两个低洼的沼泽Kanakarayan阿鲁。建设Iranamadu罐容量为4900万立方米(MCM)于1902年发起的灌溉和坦克大坝是举行88年1951年MCM的能力。三峡大坝于1954年进一步提高2英尺,这增加了101年MCM的能力。大坝从时间和现在是34米的高度(从平均海平面(韩剧))。坦克现在可以装水148罗马数字(60]。显然明显坦克基利诺奇地区的重要性从这些前期坝高度上升。水主要用于灌溉的目的和对灌溉的水的需求随着时间增加(见图1)。

3所示。未来的气候数据提取

区域气候模型(rcm)数值预测模型,使用全球气候模型的边界条件(GCMs)。开发rcm在局部地区的利益,而不是全球。已经有越来越多的趋势利用区域气候模型(rcm)气候变化影响研究由于高分辨率相比12到50公里粗分辨率在100至250公里的全球气候模型(GCMs)。然而,这些rcm继承重大偏差由于不完美的概念化,内部气候可变性,离散化和空间内平均网格细胞(61年- - - - - -63年]。偏差校正方法包括线性扩展方法,分位数映射,和当地强度比例可以用来减少气候数据集[的偏见62年]。偏差校正过程通常是执行因为有限的空间分辨率和简化的物理模型。此外,物理世界尚未披露,因此,模型通常产生一些偏见未来气候数据。

ACCESS_CCAM、MPI_ESM_CCAM CNRM_CCAM, REMO2009四rcm,这是由联邦科学与工业研究组织(CSIRO)空间分辨率0.5°×0.5°(64年,65年从协调地区降尺度实验(CORDEX)。这些rcm访问的驾驶模型1.0,MPI_ESM_LR, CNRM_CM5, ECHAM-4 GCM (66年,67年),分别。气候数据CORDEX都可以通过https://www.cordex.org/。这些rcm是广泛用于气候研究。1976 - 2100年的气候数据在rcm是可用的,包括1976年和2005年之间的历史时期和未来时期在2006年和2100年之间。

4所示。预测模型的发展

雨三个测量站降雨数据放在Iranamadu水库的下游区(命名Olumadu Iranamadu, Mankulam)获得的灌溉,斯里兰卡。此外,流入水库收集来自同一个部门从1959年至1989年30年。大部分的降雨数据丢失的1989年之后,由于各种原因,主要是这个地区的战争直到2009年。此外,Mankulam雨量计近年来功能不好。因此,作者必须依靠每月降雨数据和油藏流入数据1959年到1989年的时期。在此期间,丢失的数据百分比小于10% (Olumadu- - - - - -0%,Iranamadu- - - - - -6.9%,Mankulam- - - - - -1.9%)。每年的降雨量的变化三个方面给出了图2。他们预期,曲折变化可以观察到三年降雨量的变化。降水量是互联沿着时间轴显示时间变化,即使降水量不相互联系。


图2
雨仪表和降雨量变化。

流入的Iranamadu水库Kanakarayan阿鲁基于三个降雨的降雨指标建模利用流域的降雨在安环境。的关系在以下方程: 在哪里 是流入和降雨量之间的非线性函数 代表了雨量数据。70%的数据被美联储安建筑训练神经网络,而15%是用于验证训练神经网络,另外15%的测试验证神经网络。前馈神经网络(FFNN)是在这项研究中。FFNN作品在一个方向上(向前通过隐藏节点)从输入的结果。FFNN没有反馈,这是最简单的网络形式。然而,他们仍然可以有效地用来模拟复杂的场景。

发达ANN模型训练使用七个算法,即BFG拟牛顿(高炉煤气),Fletcher-Reeves共轭梯度算法(CGF),按比例缩小的共轭梯度(SCG) Polak-Ribiere共轭梯度(本金保证产品)、共轭梯度与鲍威尔/ Beale重启(CGB) Levenberg-Marquardt (LM)和弹性反向传播(RP)算法。这些算法广泛应用于现实问题(68年- - - - - -70年]。问题是这七个ANN算法进行测试,以检查他们的适用性和稳定在指定的应用程序。这些算法的更多信息可以在佩雷拉et al。(71年]。

训练有素的ANN模型保存为未来预测的过程。ANN预测过程验证使用数据从1999年到2000年。这个过程进行重新验证开发模型使用可用的降雨数据未来一段从模型的发展。站的月度降雨数据Iranamadu和Olumadu现成而Mankulam站没有可用的数据。此外,Iranamadu流入数据用于这一时期。因此,1999 - 2000两年选择ANN模型的预测验证。失踪的降雨天满心网格从阿佛洛狄忒的降水数据集(亚洲降水高度解决对水资源评价观测数据集成)降水数据集72年,73年]。降水数据相关的位置Mankulam (9.13700 n, 80.44520 e)提取从阿佛洛狄忒的数据集(可以在http://aphrodite.st.hirosaki-u.ac.jp/)利用ARCGIS (版本10.4)。阿佛洛狄忒的有效性Mankulam之前检查应用程序的数据集。阿佛洛狄忒的数据和观测数据比较了10年(1979 - 1989)。由此产生的皮尔森相关系数(0.7916)大于0.75,获得的数据集,因此,阿佛洛狄忒被用来提取月降雨量数据Mankulam站的1999年和2000年。

1999 - 2000年的月度降雨数据的开发ANN模型并推导出预测河流水流到相应的月。这些预测流速及流水量相比对测量流速及流水量1999 - 2000次。

预测验证后,30年来降雨量数据从2020年到2050年是提取四个区域气候模型(即ACCESS_CCAM MPI_ESM_CCAM CNRM_CCAM, REMO2009) Iranamadu, Olumadu, Mankulam。两个代表浓度通路(RCP4.5和RCP8.5)被用于降雨数据提取。rcp是温室气体排放浓度轨迹通过政府间气候变化专门委员会(74年]。这两个rcp选择根据他们的排放情况。RCP4.5是一个中等排放场景和RCP8.5高排放场景。更多细节RCP场景中可以找到的克里斯蒂安•范维伦et al。75年]。

线性扩展方法(LS) (76年)是用来消除偏见的降雨数据。线性扩展方法假设校正算法和参数化的历史气候为未来气候条件将保持静止。先前的研究表明LS方法执行对粗时间尺度分析等更复杂的方法分位数映射,三角洲的变化,和电力变换(77年,78年]。数学公式的偏差纠正降水给出了方程(2)和(3)。线性扩展修正站单独应用。 在哪里 , , , , ,和 代表bias-corrected数据,原始RCM追算,观测数据,原始RCM-corrected数据,降水、分别和日常。 长期每月的平均降雨量数据。修正后的降雨数据然后美联储救了ANN预测未来流入Iranamadu水库。

5。结果与讨论

表1介绍了相关系数和表演中每个训练算法的安分析。它可以清楚地观察到所有算法在相关系数的背景下表现良好。他们几乎1验证和所有其他情况下超过0.8。这些值是可以接受的时间高度非线性气候分析(79年- - - - - -82年]。然而,LM算法表现优于其他训练算法的计算性能(突出显示在灰色)。有更好的结果在计算的时间(8世纪)和最小均方误差(均方误差=6.14)。因此,本文选取LM算法训练的预测分析。

表1
安结果从不同的训练算法。

图3给出了相关系数的插图LM算法在训练、验证、测试和所有情况。可以理解,预测很发达安验证架构。结果是分散在45°线(理想的匹配所有病例)。因此,这个观察验证程序,用于分析。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
相关系数为LM算法:(a)培训,(b)进行验证,为测试(c), (d)(结合培训,验证,和测试)。

图4介绍了预测(从ANN模型)流入Iranamadu水库对1999 - 2000年的实测流入。趋势线的数据分散的确定系数为0.954 (这几乎是1)。这意味着趋势线几乎给数据分散的真正感觉。此外,该方程的线性趋势线绘制在图本身。事实上,如果预测流入有完美匹配测量流入,直线的方程 (预测流入=测量流入)。然而,这是理想的搭配。趋势线给出了倾角为0.826(等于39.5度)。因此,预测略低于实际测量流入。此外,图16.11 MCM的MSE。即使有轻微偏差,结果表明更大程度上的验证。


图4
1999年- 2000年流入验证。

bias-corrected降水量三雨测量站在图5(Iranamadu(图5(一个)),Mankulam(图5 (b)),Olumadu(图5 (c)))。给两个rcp预计降雨的数字,这被认为是在这个分析。虚线的差异有一个清晰的理解时态变化的降雨,降雨虽然没有连接从一年到明年。预计,年降雨量变化显示以“s”型行进。2041年和2045年两年可能极端RCP4.5场景。大雨预计2041年的所有三个站而雨量预计2045年最低。然而,有趣的是,RCP8.5场景给出了一个不同的投影为2045年。而不是降低降雨预测,更高的降雨可以投射在所有三个站。预计这些观测,详细的研究是至关重要的置评。然而,规划者可以使用这些活动基于降雨预测他们的未来。

(一)
(一)
(b)
(b)
(c)
(c)
图5
预计年降雨量变化从2021年到2050年:Iranamadu (a)、(b) Mankulam,并为Olumadu (c)。

除了年度预测,月降雨量的预测也获得。预计全年降雨量2021个月(见图6(一)RCP4.5和6 (b)为RCP8.5)是在附录部分的辅助数据。几个月的大雨将10月至12月的RCP场景。斯里兰卡北部地区接收其最大降雨量在东北季风期间,练习从12月到2月。然而,更高的降雨预计在2ndintermonsoon时期(10月到11月)。因此,这很有趣,因为农民正准备为新种植的季节。

(一)
(一)
(b)
(b)
图6
每月2021年降雨量的变化。RCP4.5 (a)和(b) RCP8.5。

当地农民通常状态的雨季是近年来转移。这是没有科学证明。然而,声明与月度变化的观测是研究详细的声音的结论。有趣的是,RCP8.5场景项目另一个降雨高峰在4月所有三个站。这是1圣intermonsoon (3月至4月),通常是一个可怕的时期是在斯里兰卡北部。因此,最好进行详细研究的气候变化对水资源的影响在Iranamadu地区。

本研究最重要的发现,流入Iranamadu水库预报,如图7(见图7(一)对于RCP4.5场景和图7 (b)对于RCP8.5)。从2021年至2050年预计流入。每年流入不是相互联系;然而,他们给出了清晰的虚线的变化。不仅年度预测,而且每月流入这一研究获得的预测。然而,他们不是这里介绍由于空间限制。

(一)
(一)
(b)
(b)
图7
流入预测从2021年到2050年Iranamadu水库。RCP4.5 (a)和(b) RCP8.5。

流入预测显然展示未来Iranamadu水库的水资源管理的重要性。几个波峰和波谷可以明显的流入。山峰容易导致洪水区由于noncontoured区。然而,干旱季节会很艰难在管理水有缺水干燥的季节。因此,需要合理的计划,并可以使用此分析的结果。

可用的统计数据显示,平均每年流入Iranamadu水库1958年到2014年之间 。然而,预测预计,154年MCM RCP4.5和178年MCM RCP8.5。因此,平均每年流入(从2021年到2050年)可以高于Iranamadu水库,从1958年到2014年。然而,如上所述,对水的需求从Iranamadu水库多年来一直在增加,预计将增加。

此外,有一个提议将大量的水(27000米3/天)Iranamadu水库北部城市,贾夫纳。因此,水管理战略必须重新安排在Iranamadu水库满足这些新要求。如果不可能会有一些冲突在农民和配水规划者Iranamadu水库中的水。

冲突与人口增长可能进一步增加。更多的农业土地利用会迎合食品行业,而在增长的人口将需要更多的饮用水。因此,这些都是需要处理的关键问题在极其小心的水平。

6。结论

人工神经网络模型在LM算法具有比其他所有流入预测模型的训练算法。因此,流入预测模型从Kanakarayan Iranamadu水库在斯里兰卡北部阿鲁是设置在LM算法训练。验证过程的资金流入预测和测量数据揭示了预测模型的精度和鲁棒性。因此,该模型可以用来预测未来气候情景下的流入Iranamadu。结果显示其适用性只有2 rcp测试;然而,根据要求,模型可以成功地使用。流入预测在未来的30年是非常重要的水资源管理者应对水短缺下的各利益相关者之间的冲突。因此,可用于预测未来安排的计划开发的配水网络贾夫纳的城市。此外,在这样干燥的地区水资源可持续的方式可以利用在各种利益相关者包括在该地区的农民。适当的作物管理可以介绍给农民基于未来流入的可用性。 Therefore, the results from this research are highly important to the water resources managers and planners in the provincial council and the local authorities.

数据可用性

气候数据和分析数据可从相应的作者。

信息披露

这项研究是在斯里兰卡信息技术研究所的环境。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢和欣赏博士Arulanantham Anburuvel,工程学院高级讲师,大学贾夫纳,斯里兰卡,Eng。副主任n Suthakaran灌溉、基利诺奇,斯里兰卡,为他们的努力获得的降雨和流入数据Iranamadu水库。这项研究没有得到外部融资。