水文模型和人工神经网络(ann)来模拟河流流域热带的斯里兰卡

文摘

准确的流水量估计是必不可少的规划和决策的许多发展与水资源有关的活动。水文模型是一种经常采用和成熟技术来模拟河流相比,数据驱动的模型,如人工神经网络(ann)。此外,使用网络是最低的上下文中模拟水流斯里兰卡。因此,本研究提出了一个流水量估计从传统水文模型和安之间相互比较分析Seethawaka流域位于上游Kelani流域的一部分,斯里兰卡。水文模型是利用水文工程Centre-Hydrologic造型系统(HEC-HMS),而MATLAB中所开发的数据驱动的ANN模型。降雨和流速及流水量的数据2003 - 2010年期间一直使用。HEC-HMS是由四种类型的模拟输入降雨数据配置,包括实际降雨量数据集和三个卫星降水产品(SbPPs),即PERSIANN PERSIANN-CCS, PERSIANN-CDR。被训练使用的ANN模型三个著名的训练算法,即Levenberg-Marquadt (LM),贝叶斯正规化(BR)和共轭梯度(SCG)。结果显示,基于实际降雨量超过模拟水文模型的基于遥感SbPPs。BR算法ANN算法中被发现上级数据驱动模型的上下文中ANN模型模拟。 However, none of the above developed models were able to capture several peak discharges recorded in the Seethawaka River. The results of this study indicate that ANN models can be used to simulate streamflow to an acceptable level, despite presence of intensive spatial and temporal data sets, which are often required for hydrologic software. Hence, the results of the current study provide valuable feedback for water resources’ planners in the developing region which lack multiple data sets for hydrologic software.

1。介绍

河流是一种集成的大气和地形的反应过程。开发流自记水位计使用观察水流测量是一个重要的任务。许多方法(速度区间方法,形成收缩方法和非接触测量方法)可用来测量流速及流水量率(1]。然而,连续流水量测量并不总是可以在发展中国家,主要是由于相关水文网络的安装和维护的成本2]。此外,高分辨率空间数据集包括土地利用和土壤数据并不总是可以在这些地区。因此,计算模型来估计河流有一个重要的关注。然而,准确的流水量估计是非常重要的对于许多利益相关者包括水资源管理、水电开发和农业管理(3]。

在许多其他可用计算机模型用于模拟降雨径流过程、土壤和水评估工具(4),水文工程Centre-Hydrologic造型系统(HEC-HMS) [5),变量渗透能力模型(6],HBV-light模型[7],和J2000模型[8)经常使用世界各地的水文模型(9- - - - - -11]。然而,时间序列在河流水文模型继承的不确定性估计由于长期数据不可用包括气象和流速及流水量数据(12]。

重要的是,由于缺乏稠密雨量计网络,尤其是在发展中地区,研究人员倾向于使用遥感卫星降水产品(SbPPs)。这些SbPPs是有吸引力的,因为他们是免费的,并提供数据与时间一致性良好的时间和空间分辨率的吸引力在水文应用程序中。因此,SbPPs可以解决许多缺点面临在测量降水通过地面雨量数据。然而,SbPPs的准确性应该测试之前,应用程序(13,14]。

同时,科学的进步和计算机技术辅助软计算工具的发展,如人工神经网络(ann),自适应神经模糊推理系统,支持向量系统(15)模拟水流使用可用的数据。在这些软计算工具,目睹了,有一个不断增长的需求和使用人工神经网络用于多个应用程序,包括流速及流水量估计(3)和未来的水力发电估计(16),在理解未来气候和作物产量之间的关系17,18]。

尽管安方法一直采用流速及流水量预测在世界的各个部分(19- - - - - -21),这种技术没有给予关注的背景下,除了[斯里兰卡22- - - - - -25]。

承认的需要检查能力的人工神经网络在斯里兰卡集雨流速及流水量估计,目前的研究进行了Seethawaka流域。研究河Kelani流域是一个主要的支流,斯里兰卡。模拟水流从HEC-HMS水文模型和ANN模型对观察到的流水量比较记录在这项研究。这项研究的结果将是宝贵的水资源规划和管理Seethawaka流域。本研究中采用的方法可以被复制在其他流域,这是缺乏时间和空间数据。

2。研究区域

Seethawaka河流域的次盆地Kelani流域(Kelani河是最重要的河流在斯里兰卡的湿区国家)。这下水道排水区223公里²和长约57公里。的位置地图Seethawaka河在图给出1。它位于纬度之间6°50′,7°00′N和经度17′80°和80°30′e的位置可用流域内降雨和流速及流水量测量站在图1。Seethawaka河主要支流的Magal和Panapura流。

上部的Seethawaka流域(Maliboda地区)收到年平均降水量4000 - 5000毫米(26]。此外,上部覆盖着茂密的森林和橡胶种植园。河的下游流域包括宅基地花园和茶和水稻种植在不同的地面水平(参考图2(一个)和2 (b))。排水区是粘土的土壤类型与肥沃的自然,有温和的入渗率(27]。

Seethawaka河有一个陡峭的渠道边坡(平均31 m下跌1公里),这是非常重要的水力发电。由于这个原因锡兰电力董事会计划基金沿着Seethawaka水电站的建设,可生产30 MW。同时,可以找到几个mini-hydropower站Seethawaka河沿岸。

3所示。方法

3.1。研究数据

每日降雨量数据从2003年到2010年在Maliboda Deraniyagala雨测量站和从斯里兰卡气象部门购买。自2010年以来实际降雨量数据对于Maliboda雨测量站不全面和有很多差距。因此,研究仅限于2010年。除此之外,日常流速及流水量数据是从斯里兰卡灌溉部门获得的。的数字高程模型(DEM)提取Seethawaka流域从全球映射器中可用https://www.bluemarblegeo.com/products/global-mapper.php。使用的DEM模型中可用10 m×10 m分辨率。土地利用和土壤数据得到斯里兰卡和调查部门的和谐世界土壤数据库,分别。

来自降水的降水数据估计使用人工神经网络遥感信息(PERSIANN) PERSIANN云分类系统(PERSIANN-CCS), PERSIANN-Climate数据记录(PERSIANN-CDR)在这项研究中获得的。PERSIANN数据可从2000年时空分辨率为0.25和1小时,分别。此外,PERSIANN-CCS数据可从2003年的空间分辨率和时间分辨率0.04和1小时,分别。然而,PERSIANN-CDR数据集可从1983年,因此,它们可以被用于长期监测气候的变化。这些数据集的空间和时间分辨率0.25和1天,分别。上述SbPPs和提取的详细信息可以从完成https://chrsdata.eng.uci.edu/。鼓励读者参考(28]PERSIANN系列产品的详细信息。

3.2。Seethawaka流域的水文模型

HEC-HMS模型(29日)广泛应用在世界各地包括评估气候变化对水文的影响(30.),结合低强度开发和最佳管理实践在水文模拟31日),并评估城市化对洪水的影响(32]。许多研究人员HEC-HMS模型用于基于事件和斯里兰卡长期模拟上下文(33- - - - - -37]。

在这项研究中,流域模型是由民主党喂养到水文建模System-Geospatial Arc-Geographical水文模型扩展的信息系统。开发模型应用于模拟水流。一个时间步等于一天使用。最初的热身阶段之间的平衡提供了各种各样的水在水文循环存储。降雨数据从2003年起被选为本研究由于CCS数据的不可用。为本研究开发的水文模型校准在2003年到2006年(4年)和验证在2007年到2010年(4年)通过比较与观察到的流水量Deraniyagala流速及流水量测量站由斯里兰卡的灌溉。

观察到的降雨量数据只用于校准。先前的研究包括(38)校准水土评估工具(SWAT)模拟与观测雨量计数据流水量,而卫星降水数据集只是用于驱动SWAT模型在不改变校准参数。这些参数是通过模型校准由输入气象迫使从地面观测雨量数据。因此,一个类似的校准技术用于这项研究。沉淀损失、直接径流转换、baseflow和路由模拟了土壤和水分会计(SMA)模型中,克拉克单位自记水位计,衰退的方法,分别和Muskingum和滞后的方法。使用同一组参数校准雨量数据的模型与输入是用来模拟输入从SbPPs降雨数据使用的模型。这种标定方法使评估的差异SbPPs影响水流模拟的可靠性。

上游流域Seethawaka由茂密的森林覆盖。因此,树冠损失也模拟结合SMA模型。的树冠覆盖值是否从[获得特定的土地利用类39),而在土壤水力传导系数值获得(40]。这些值在表中1。

流的路由是由Muskingum和滞后方法。这是观察到的上游Seethawaka河陡峭;因此,延迟方法,推荐了Nandalal Rathnayake, (36使用了)。此外,在这项研究中,以满足执行手动校准善良健康标准观察和模拟的流速及流水量值之间通过最大化纳什Sutcliffe效率系数。参数调整基于[提供的指导方针5]。

此外,De Silva et al。33)已经开发出Kelani HEC-HMS模型模拟河流的流域(主要流域)的Seethawaka流域(次盆地)。此外,在相同的研究中,德席尔瓦et al。33)报道,敏感参数使用土壤水分时流速及流水量会计方法(SMA)比例不通透性和张力存储。因此,在目前的研究中,比例不通透性和张力存储的值是不同的,以满足观测和模拟放电之间的最佳标准。

因此,四个水文模型模拟了Seethawaka排水使用实际降雨量,PERSIANN降雨,PERSIANN-CCS降雨量和降雨PERSIANN-CDR值。这四个模拟模型比较与观察到的流水量。统计指标包括确定系数(R²)、Nash-Sutcliffe效率(研究)和体积的百分比误差(PEV)被用来评估模型模拟的准确性。

3.3。人工神经网络建模的Seethawaka流速及流水量

前所述,人工神经网络可以用来发展变量之间的非线性关系。因此,下面的关系是制定使用安(方程(1)),Seethawaka流域的河流是一个非线性函数( )接收的降雨量:

上面的关系在数学建模计算软件包,MATLAB。一个隐层的神经网络建模除了输入和输出层。每日降雨量数据Maliboda和Deraniyagala美联储系统作为输入。使用已知的神经网络训练Deraniyagala流速及流水量数据。百分之七十的时间序列数据被用来训练过程,而15%的被用来验证和测试流程。三个常用的训练算法,包括Levenberg-Marquardt (LM),贝叶斯正规化(BR)和共轭梯度(SCG),纳入发达人工神经网络的训练过程。在三个训练算法,最好的选择是基于确定的系数(R²)和均方误差(MSE)。先前的研究,包括(41- - - - - -43]和[44),使用R2和MSE评估训练算法的性能。

3.4。整体方法论作为一个总结

水文模型是利用水文工程Centre-Hydrologic造型系统(HEC-HMS),而MATLAB中所开发的数据驱动的ANN模型。降雨和相应的流水量数据记录之间的2003年到2010年期间在本研究中使用。HEC-HMS是由四种类型的模拟输入降雨数据配置,包括实际降雨量数据集和三个卫星降水产品(SbPPs),即PERSIANN PERSIANN-CCS, PERSIANN-CDR。此外,ANN模型训练使用三个著名的训练算法,即Levenberg-Marquadt (LM),贝叶斯正规化(BR)和共轭梯度(SCG)。

4所示。结果与讨论

4.1。从水文模型水流估计的结果

图3演示了水文模拟河流排放之间的比较和观察到的流水量放电。降雨在二级标出来了y设在不同降水平均降雨量记录产品。图3(一个)介绍了自记水位计通过迫使模型通过实际降雨量,而数字3 (b)- - - - - -3 (d)目前获得的成因从模型模拟的降水输入PERSIANN, PERSIANN-CCS和PERSIANN-CDR分别。可以清楚地看到,模拟河流排放被低估而观察到的流水量排放。然而,眼球分析表明,图中给出的自记水位计3(一个)有最好的模拟河流排放。然而,所有四个成因遵循的模式观察水流自记水位计。

表2介绍了模型性能不同的水文模型模拟的降水产品。计算确定系数(R²)值基于实际降雨量清楚地表明,该模型能更好地模拟结果(R²更接近于1)。三个SbPPs最不可能证明显示准确的模拟结果。此外,分析了无价值是负和PEV值高这三个病例。然而,该模型根据实际降雨量数据提出了一个可接受的R2与积极分析了无价值以及明白较低(< 1)[45]。因此,它可以清楚地看到,水文模型基于实际降雨量比迫于SbPPs模型。

降水是唯一不同的水文模型的输入。因此,在降水差异的主要原因是观察和模拟流之间的不匹配。从卫星降水降水数据集大大低估了实际降雨量,从而导致不准确的水流模拟的性能。这样的观察已经目睹了先前的研究从PERSIANN降水数据,由[用于韩国水域38由[]和斯里兰卡46]。

4.2。水流从ANN模型估计

估计水流从ANN模型对实际降雨量在LM, BR, SCG训练算法绘制在图4。可以清楚地看到,确定系数值不是最好的。然而,在三个测试训练算法,BR算法具有最好的R²。此外,安BR算法模型具有最低的MSE(154)相比。因此,BR算法可以选择安作为一个可接受的模型的流模拟Seethawaka河。

4.3。水流模拟的比较

图5演示了Seethawaka河的水流比较2003年和2010年之间的时期。蓝线代表观察到的流水量(观察SF) 8年,而虚线代表水文模型模拟(HEC-HMS SF)和安模拟(安科幻)流速及流水量。可以清楚地看到,放电模式遵循类似的模式符合观察水流。然而,HEC-HMS科幻和安科幻无法捕获洪峰流量率(见红色圆圈)。然而,在HEC-HMS科幻这个观察是显著的,而安科幻有点接受。因此,在模拟过程中,ANN-induced流速及流水量可能使用。

4.4。讨论相关的以前的工作

混合学校结果发现从之前的分析。拉乌夫和Ghumman47)认为HEC-HMS水文模型执行比数据驱动的ANN模型在模拟水流。然而,年轻和刘48)表明,混合模型,包括HEC-HMS和安产生更精确的结果。Loyeh和Jamnani49)得出的结论是,ANN模型比HEC-HMS模型模拟河流流域的伊朗。

此外,Tramblay et al。50)进行了比较,摩洛哥的水文模型使用实际降雨量和沉淀获得产品。然而,他们没有使用ANN技术比较。相反,他们将生成的流水量GR4J模型,由佩兰et al。51]。然而,Tramblay et al。50)得出结论,TRMM产品项目最近观察到的降水,因此,再现了月度动态河流的流域。

类似的分析进行了许多研究人员(52,53];然而,大多数人还没有把这个安他们的分析。此外,一些人关注安工作展示流速及流水量对卫星降水产品。然而,一个全面的方法,结合实际降雨量数据和卫星降水产品水文模型和人工神经网络模型,在文献中是有限的。因此,本文提供的研究很有趣。然而,很难状态更好的模型一种一般;因此,案例具体分析建议。

5。结论

通过比较Seethawaka河流的流域水文模型HEC-HMS和数据驱动技术,安在这个研究。水文模型结果显示,模拟输入的实际降雨量产生最好的比SbPPs产生的水流流速及流水量估计。此外,安的结果分析表明,BR训练算法优于模拟水流比其他测试训练算法。指出水文模拟的结果和安对观察到的流水量显示所有的河流可以模拟准确,尤其是在捕捉流峰值。然而,基于ANN分析流速及流水量可以接受特定目的有一定误差。然而,未来的研究需要微调仿真结果的可接受性。

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

本文的作者非常感谢斯里兰卡灌溉和调查部门提供所需的数据集进行这项研究。

引用

1. p . Dobriyal r . Badola c . Tuboi和s·侯赛因,“回顾监控可持续水资源管理流水量的方法,”应用水科学,7卷,不。6,2617 - 2628年,2016页。视图:出版商的网站|谷歌学术搜索
2. 诉Lakshmi、j . Fayne和j·博尔顿,”比较研究可用的水在世界上的主要江河流域,”《水文卷,567年,第532 - 510页,2018年。视图:出版商的网站|谷歌学术搜索
3. p . Pradhan, t . Tingsanchali和s Shrestha“水土保持评价评估工具和人工神经网络模型对水文模拟不同气候地区的亚洲,“科学的环境文章ID 134308卷,701年,2020年。视图:出版商的网站|谷歌学术搜索
4. r·j·g·阿诺德·r·斯里尼瓦桑s人Muttiah和j·r·威廉姆斯,“大区域水文建模和评估我部分:模型发展,”美国水资源协会杂志》上,34卷,不。1,第89 - 73页,1998。视图:出版商的网站|谷歌学术搜索
5. a·d·费尔德曼水文建模系统HEC-HMS:技术参考手册,美国陆军工程兵团水文工程中心,戴维斯,加州,美国,2000。
6. x梁,d . p . Lettenmaier e . f .木材和s . j . Burges”一个简单的基于水文模型的土地表面水和能量通量环流模型,”地球物理学研究杂志:atm,卷99,不。D7, 14415 - 14428年,1994页。视图:出版商的网站|谷歌学术搜索
7. j . Seibert乙肝病毒,版本2;用户手册自然地理学和第四纪地质学,斯德哥尔摩,瑞典,斯德哥尔摩大学,2005。
8. p . Krause,”量化的影响土地利用变化对大型集雨利用J2000的水平衡模型,”地球的物理和化学,27卷,不。9日,第673 - 663页,2002年。视图:出版商的网站|谷歌学术搜索
9. m·阿迪m . Rowshon m . Mojid, Habibu,“预计kurau流域河流的西方马来西亚未来气候情景下,“科学报告,10卷,不。1,文章ID 8336, 2020。视图:出版商的网站|谷歌学术搜索
10. m . Azmat m . Choi t.w。金,和美国w . Liaqat水文建模模拟水流下几乎测量冰冻圈流域气候变化,“环境地球科学,卷75,不。3,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
11. 保z, j . Liu j . Zhang et al .,“估计baseflow参数变量的渗透能力的预测模型与土壤和地形属性ungauged盆地,”水文和地球系统科学的讨论,8卷,不。4、7017 - 7053年,2011页。视图:谷歌学术搜索
12. j . s . Alagha a . m .说,y Mogheir,“Review-artificial情报基础水文过程、造型”第四届国际工程学报》Conference-Towards 21世纪工程2012年10月,页1-13,加沙,。视图:谷歌学术搜索
13. a . Irvem和m . Ozbuldu”评价的卫星和再分析降水产品使用GIS流域在土耳其,”气象学的进展卷,2019年,页1 - 11,2019。视图:出版商的网站|谷歌学术搜索
14. 李问:江,w . j .温家宝et al。”评价为极端降水估计卫星产品在中国的东部沿海地区,”综合环境科学杂志》上,16卷,不。1,第207 - 191页,2019。视图:出版商的网站|谷歌学术搜索
15. e . Olyaie h . Banejad K.-W。洲,A . m . Melesse”比较各种人工智能方法的性能估算悬浮沉积物负载的河流系统:一个案例研究在美国,“环境监测和评估,卷187,不。4 p。189年,2015年。视图:出版商的网站|谷歌学术搜索
16. b . Khaniya c . Karunanayake m . b . Gunathilake和Rathnayake,“投影Samanalawewa未来发电的电厂,斯里兰卡,”数学问题在工程卷,2020年,页1 - 11,2020。视图:出版商的网站|谷歌学术搜索
17. 诉Amaratunga l . Wickramasinghe a·佩雷拉,j . Jayasinghe和Rathnayake,“人工神经网络估计水稻产量预测使用气候数据,”数学问题在工程卷,2020年,页1 - 11,2020。视图:出版商的网站|谷歌学术搜索
18. Wickramasinghe, i . l . j . m . j . w . Jayasinghe和Rathnayake,”稻田频频出现气候因素之间的关系:一个案例研究从斯里兰卡西北省份,”《国际研究会议在2020年智能计算和系统工程大学Kelaniya、斯里兰卡、2020年9月。视图:谷歌学术搜索
19. h . Dalkilic和美国Hashimi预测每天的流速及流水量使用人工神经网络(ann),小波神经网络(算法)和自适应神经模糊推理系统(简称ANFIS)模型,”水的供应,20卷,不。4、1396 - 1408年,2020页。视图:出版商的网站|谷歌学术搜索
20. O。Kişi”,流速及流水量预测使用不同的人工神经网络算法,”水文工程杂志,12卷,不。5,532 - 539年,2007页。视图:谷歌学术搜索
21. 公元较多,e . Kahya a .Şahin和m . Nazemosadat”Successive-station每月流水量预测使用不同的人工神经网络算法,”国际环境科学与技术》杂志上,12卷,不。7,2191 - 2200年,2014页。视图:谷歌学术搜索
22. n . Basnayake d . Attygalle l . Liyanage和k . Nandalal合奏月度预测油藏流入;一个动态神经网络的方法,”第四届国际会议在运筹学学报》和统计,页84 - 90,世界科学院、工程和技术,新加坡,2016年1月。视图:谷歌学术搜索
23. h . Hapuarachchi l . Zhijia, a . Flugel”应用程序的模型与不同类型的造型对河流量预测方法,”天气雷达信息和分布式水文模型卷,282年,第226 - 218页,2003年。视图:谷歌学术搜索
24. p . Hunukumbura和美国Weerakoon”,比较两个水文模型应用程序的流量预测上Kotmale盆地”学报》第八Peradeniya大学研究课程斯里兰卡,p。85年,2003年10月。视图:谷歌学术搜索
25. 美国Selventhiran h . Premaratne, d . Sonnadara的河流量预测的人工神经网络模型,28日技术会议的程序Kelaniya:物理研究所,2012年斯里兰卡。
26. w·g·m·Bastiaanssen和l . Chandrapala”水平衡变化在斯里兰卡评估农业和环境用水,”农业水管理,卷。58岁的没有。2、171 - 192年,2003页。视图:出版商的网站|谷歌学术搜索
27. 粮农组织和IIASA,和谐世界土壤数据库(互联网),2012,http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-database/HTML/。
28. p .阮m . Ombadi s Sorooshian et al .,”全球卫星降水数据的PERSIANN家庭:回顾和评估的产品,”水文和地球系统科学,22卷,不。11日,第5816 - 5801页,2018年。视图:出版商的网站|谷歌学术搜索
29. m·j·弗莱明水文建模系统HEC-HMS:快速入门指南美国陆军工程兵团,水文工程中心,2013年。
30. r . Meenu、美国瑞哈娜和p . p . Mujumdar”评估Tunga-Bhadra流域的水文气候变化的影响,印度与HEC-HMS SDSM,中”水文过程,27卷,不。11日,第1589 - 1572页,2013年。视图:出版商的网站|谷歌学术搜索
31. b . Khaniya美国认定,美国Rathnayake,”重要性的水文模拟盖子和bmp设计使用HEC-HMS:一个案例示范,“国际期刊的水文,1卷,不。5,138 - 146年,2017页。视图:出版商的网站|谷歌学术搜索
32. m . e .阿飞,”评估干旱地区城市化对洪水的影响利用GIS、遥感、和HEC-HMS降雨径流造型,“水文研究卷,47号6,pp. pp1142 - 1160, 2016。视图:出版商的网站|谷歌学术搜索
33. m·m·g·t·德·席尔瓦s . b . Weerakoon和s . Herath”建模的事件和连续流成因HEC-HMS:案例研究Kelani流域,斯里兰卡,”水文工程杂志,19卷,不。4、800 - 806年,2014页。视图:出版商的网站|谷歌学术搜索
34. d . Halwatura和m . m . m . Najim HEC-HMS模型的应用在热带流域径流模拟,”环境建模与软件,46卷,第162 - 155页,2013年。视图:出版商的网站|谷歌学术搜索
35. 下午Jayadeera和n . t . s . Wijesekera HEC - HMS的诊断应用模型来评估潜在的水资源管理ratnapura分水岭的卡鲁恒河斯里兰卡,”工程师:杂志的机构工程师,斯里兰卡,52卷,不。3、乳,2019页。视图:出版商的网站|谷歌学术搜索
36. h . Nandalal Ratnayake,“使用HEC-HMS基于事件模型的一个分水岭,”工程师:杂志的机构工程师,斯里兰卡,43卷,不。2,页28-37,2010,https://engineer.sljol.info/articles/10.4038/engineer.v43i2.6979/galley/5467/download/。视图:出版商的网站|谷歌学术搜索
37. d . s .位于美国b Weerakoon, s . Herath”HEC-HMS模型在热带流域径流模拟intra-basin diversions-case Deduru欧雅河流域的研究中,斯里兰卡,”工程师:杂志的机构工程师,斯里兰卡,48卷,不。1、1 - 9,2015页。视图:出版商的网站|谷歌学术搜索
38. t·t·Vu l·李和k . s .,“为水流模拟评价多卫星降水产品:一个案例研究对汉江流域朝鲜半岛,东亚,”水,10卷,不。5,642年,页2018。视图:出版商的网站|谷歌学术搜索
39. w·韦德j . Raude, j . Gathenya”连续建模mkurumudzi河流域在肯尼亚使用HEC-HMS概念模型:校准、验证,模型性能评价和敏感性分析,“水文,5卷,不。3,44-18,2018页。视图:出版商的网站|谷歌学术搜索
40. d . v .梅德门特,v . t . Chow, l·w·梅斯应用水文麦格劳-希尔国际版,新加坡,1988年。
41. m . Cai m . Koopialipoor d . j . Armaghani b .泰国范教授,“评估边坡变形的大坝由于地震摇晃使用火星和GMDH技术,”应用科学,10卷,不。4 p。1486年,2020年。视图:出版商的网站|谷歌学术搜索
42. m . Koopialipoor e . Ghaleini h . Tootoonchi d . Armaghani m . Haghighi和a .也是“开发一个新智能技术来预测塌方在隧道中使用人工蜜蜂colony-based安,”环境地球科学,卷78,不。5,2019。视图:出版商的网站|谷歌学术搜索
43. l .太阳,m . Koopialipoor d . Armaghani r . Tarinejad和m . Tahir”meta-heuristic算法应用到预测和优化混凝土的抗压强度样本,”与计算机工程37卷,2019。视图:谷歌学术搜索
44. b . d . Tang云,m . Koopialipoor”渗流analysisin短堤防使用开发metaheuristic方法在控制方程的基础上,“应用科学,10卷,不。5,1761年,页2020。视图:出版商的网站|谷歌学术搜索
45. d . Moriasi j .阿诺德·m·范·刘r . Bingner r·马克,t·威斯,”模型评估指南系统量化流域模拟的准确性”交易的ASABE,50卷,第900 - 885页,2007年。视图:出版商的网站|谷歌学术搜索
46. Yoshimoto和g . Amaranath”的应用卫星降水估计在洪水泛滥建模——一个案例研究在Mundeni阿鲁流域,斯里兰卡,”遥感,9卷,不。10,998年,页2017。视图:出版商的网站|谷歌学术搜索
47. A.-u。拉乌夫和a . Ghumman”影响评估降雨径流模拟的流量历时曲线上印度河河的比较数据驱动和水文模型,”水,10卷,不。7,876年,页2018。视图:出版商的网站|谷歌学术搜索
48. c .年轻和w·刘”,在台风降雨径流事件的预测和建模使用物理基础和人工神经网络混合模型,”水文科学杂志,60卷,不。12日,第2116 - 2102页,2015年。视图:出版商的网站|谷歌学术搜索
49. s . n . Loyeh和m . r . Jamnani”,比较不同的降雨径流模型性能:一个案例研究Liqvan流域,伊朗,”欧洲水57卷,第322 - 315页,2017年。视图:谷歌学术搜索
50. y Tramblay诉Thiemig a Dezetter, l . Hanich”卫星降水产品评价水文模型在摩洛哥,”水文科学杂志,卷61,不。14日,第2519 - 2509页,2016年。视图:出版商的网站|谷歌学术搜索
51. c .佩兰c·米歇尔,诉Andreassian”改善水流的吝啬的模型模拟,”《水文,卷279,不。1 - 4、275 - 289年,2003页。视图:出版商的网站|谷歌学术搜索
52. p . Gilewski和m . Nawalany雨量计的相互比较、雷达和卫星(IMERG GPM)降水估计性能在山区流域降雨径流建模在波兰,”水,10卷,不。11日,ID 1665条,2018年。视图:出版商的网站|谷歌学术搜索
53. t . m . Sharannya:安s . Deb Barma和a . Mahesha”评价卫星降水模拟产品在潮湿的热带河流流域的印度使用semi-distributed水文模型,”水,12卷,不。9日,第2422 - 2400页,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Miyuru Gunathilake et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。