模糊系统和人工神经网络在洪水预报中的应用模糊系统和人工神经网络在洪水预报中的应用摘要这篇研究呈现了人工神经网络（人工神经网络）和模糊逻辑（FL）模型对于日常水库入库径流预测的发展。此外，线性回归（LR）模型也被开发为一个传统的洪水预报方法。为了证明人工神经网络和FL模型的适用性和能力，位于伊朗西南部的Dezreservoir水库被作为一个案例研究。结果证明ANNs模型能够提前一天预测水库入库径流，尤其是这种预测模式要比FL模型和LR模型要准确。研究发现人工神经网络模型预测洪水预报提前1天以上精度降低，同等条件下FL模型和LR模型提前4天而得到的结果与从佛罗里达州得到的相应测量值要比较精确。这项研究的一个主要发现是：模糊逻辑模型通常低估了洪水，而其他两种模型预测洪水流量比较好。水位曲线的峰值,对于洪水防害是非常重要的，ANNs模型和LR模型对于短周期(为期一天前)的预测要比较好,对于长时间(如为期3天的洪水流量之前)的预测ANNs模型,LR模型和FL模型的误差分别在3%、4.5%和26%，事实证明LR和FL模型略优于人工神经网络模型。关键词:洪水预报;水库流入;模糊逻辑;人工神经网络;洪水;1引言洪水预报是是水库管理系统最重要的任务之一。经济损失的大小取决于对洪水管理认识的重要性，一个高效的洪水警报系统不仅可以减轻洪水泛滥对于经济造成的损害，同时可以大大提高公共安全,。洪水预报无疑是一个具有挑战性的领域,是一个推动时代产生巨大文学性发展的领域((Xiongetal,2001;GopalcuinarandJames,2002;Chau,2005;TayfurandSingh，2006);特别是降雨径流关系已被公认为是非线性的。虽然概念模型允许深刻理解其水文过程,但是在分水岭的研究中它的校准需要收集大量的物理属性(例如,地形特征和河流网络、降雨和径流)，可能是昂贵的和非常耗时。由于先进的物理模型需求庞大的数据和相关模型的校准很长的计算时间，所以先进的物理模型进行实时预测可能不是很理想。由于洪水预警系统的目的不是提供一个明确认识的降雨径流过程中，主要关注的是在适当的地点做出准确和及时的预测，一个简单的黑盒模型，然后识别输入和输出之间的直接映射的首选（Corani和Guariso，2004年）。此外，固有的输入和输出变量之间的非线性关系复杂流预测事件的尝试。因此，有必要改进预报技术。近年来，许多非线性的分析方法，如人工神经网络，模糊逻辑，遗传算法的方法已被用于在解决洪水预报问题。在过去的几十年里，人工神经网络（ANN）已越来越多地应用于水文预报（迈尔和Dandy，2000年），此外，他们的计算仿真和预测的速度非常适用在系统实时操作.Dawson和Wilby（1998）讨论应用人工神经网络在洪水易发小流域在英国，使用每小时水文数据流预测。Liong（2000）在孟加拉国的河流水位预测的人工神经网络实现，以获得较高的准确度。NiandXue（2003）建立了一个人工神经网络模型基于径向基函数（RBF）在安全圩田，中国长江洪水风险等级。Bhattacharya和Solomatine（2005年）建人工神经网络的和MS模型树与水位-流量关系模型在印度河上的巴吉拉蒂。艾哈迈德·西蒙诺维奇（2005年）在休闲气象参数的基础上，在加拿大马尼托巴省应用人工神经网络预测人流高峰，红河径流历的时间和形状。Canada.Chau（2006）采用了粒子群优化模型训练的人工神经网络模型来预测在香港城门河的上游水文站的水位。Tareghian和Kashefipour（2006）开发了一个人工神经网络模型预测Karoon河在伊朗、Dawson等的日径流。Dawson（2006）利用人工神经网络预测T-年一遇洪水事件和索引洪水在英国各地的850集水区。WuandChau（2006）采用一种基于遗传算法的人工神经网络（ANN-GA）在中国的渠道到达长江洪水预报。Pang开发了一个基于ANI的非线性摄动模型（NLPM），定义为NLPM-ANI，以提高效率和准确性的降雨径流预报的目的。Chang提出了三种常见类型的人工神经网络MSA在台湾的两个流域的洪水预报系统的调查。自从Zadeh出版的有关扩展的传统模糊集理论之后，模糊方法已被广泛地使用在许多领域的应用，如模式识别，数据分析，系统控制等。Hundecha表明，在地方提供足够数据的情况下，模糊逻辑（FL）的方法可以用来模拟实际的物理组件水文过程。OzelkanDuckstein提出一个模糊的概念降雨径流框架处理概念降雨径流模型参数的不确定性。Cheng结合模糊优化模型与遗传算法来解决多目标降雨径流新安江模型校正的双牌水库。LuchettaandManetti利用模糊聚类方法预测的