论文研究 - 使用多层人工神经网络在卡瓦利河（科特迪瓦）流域上进行雨流模拟

如今，水资源管理已成为世界的重大利益。 然而，研究区域现有的水文气候历史数据的缺失或质量较差，有时使水文研究变得困难。 通常，设计概念雨流模型的目的是通过校正间隙和预测流量来带来适当的答案。 位于Cavally河上的Ity站的历史水文气候数据包含必须弥补的空白。 本研究旨在通过人工神经网络建立降雨径流模型，以填补卡夫里河流域伊特水文站流量数据系列的空白。 利用流量蒸散数据建立了具有两个条目（每月平均降雨量和蒸散量）和出口（流量）的前馈的多层感知器。 神经网络模型的各种体系结构的性能标准的比较表明，体系结构2-3-1给出了最佳结果。 该架构为校准提供了75.79％的Nash系数和95.64％的相关线性系数，为验证提供了73.32％的Nash系数和98.33％的相关线性系数。 模拟流量与观测流量之间的相关性很强。 校正和验证的相关系数分别为83.89％和83.08％。