摘要：精准快速地预测水沙过程对于高效制订防汛应急方案具有重要意义。选取可记忆时段信息的循环神经网络算法,针对黄河下游游荡河段,按照进口花园口站来水量及来沙量对各年份数据进行分类,分别构建了适用于不同来水来沙类型的循环神经网络水沙预测模型用以预测高村站的水沙过程。模型训练完成后,输入花园口站的水沙数据即可输出对应时段内高村站的水沙数据预测值。预测结果表明:1)数据集预处理时,按照河段进口来水来沙类型进行划分可以提高预测精度,相较不划分方式,洪峰与沙峰的预测精度最高可提升50%以上;2)预测的水沙过程与实测数据符合良好,纳什效率系数(Nash-Sutcliffe efficiency coefficient,NSE)最优分别可达到0.99与0.92,年内汛期与非汛期流量过程的预测效果相近,NSE为0.97左右,而含沙量过程汛期预测结果的NSE为0.88左右,优于非汛期;3)循环神经网络模型对流量过程的预测精度能够达到甚至超过马斯京根法,并且可以弥补马斯京根法不能预报含沙量过程的不足。总体来看,循环神经网络水沙预测方法的精度较高,适用于黄河下游游荡段不同类型水沙过程的预测。

摘要：黄河下游游荡段洲滩密布,研究洲滩的时空演变特点对充分认识游荡段河床演变规律具有重要意义。以1986—2018年黄河下游游荡段遥感影像资料为基础,逐年确定枯水流量下河道内洲滩数目、面积及长度,并计算洲滩的形态指数,分析近33 a游荡段洲滩的时空演变特点。结果表明:游荡段多年平均洲滩数目由小浪底水库运行前的105个增加到小浪底水库运行后的140个,其中小型洲滩数目大大增加,大型和超大型洲滩有所减少;受水库运行后河床持续冲刷的影响,游荡段多年平均洲滩总面积由小浪底水库运行前的81 km2减小到小浪底水库运行后的62 km2,洲滩形态趋于细长;从分河段来看,研究期内花园口以上河段洲滩数目最多、面积最大,夹河滩—高村河段数目最少、面积最小。

摘要：基于2002年小浪底水库开始调水调沙后,黄河下游小浪底至高村游荡河段的98个断面实测数据,分析河槽的平滩面积、宽度、平均水深及宽深比等形态参数的时间和空间变化规律,得到了该河段的断面形态参数特征。以神堤和三义寨断面为界限,黄河下游游荡河段可分为三部分。至2017年,神堤以上和三义寨以下河段,河槽宽深比和河槽宽度小,断面面积增加基于河槽下切。中间河段大多宽深比较大,河槽断面面积的增加,同时受河槽宽度和下切深度的影响。河槽下切深度与宽深比负相关。陡门断面位于研究区中间位置,宽深比大,2002-2017年经历了由淤积到下切的过程,下切深度较小,成为河槽深度下切过程的空间分界点,其上游河槽下切速度由白鹤向陡门断面逐渐减小,其下游河槽的平均水深增加速度由柿子园向陡门断面逐渐减小。