Vine Copula与贝叶斯模型平均结合的月径流预测及应用

准确可靠且预见期较长的月径流预测对水资源配置、防汛抗旱以及生态环境保护等具有重要意义。径流变化与降水、气温、潜在蒸散发以及前期径流等存在密切联系。鉴于Vine Copula可以灵活地将多个随机变量的边缘分布函数通过Copula对的形式联结起来构造多维联合分布函数以及贝叶斯模型平均（Bayesian Model Averaging,BMA）在处理多模型集合预报方面的优势,该研究基于BMA集合多个Vine Copula模型提出了一种BVC径流预测模型（简称BVC模型）,应用于黄河流域上游4个水文站（唐乃亥站、民和站、红旗站和折桥站）的月径流预测,采用确定性系数（R2）、纳什效率系数（Nash-Sutcliffe Efficiency coefficient,NSE）和均方根误差（Root Mean Squared Error,RMSE）评价模型的预测性能。结果表明,验证期内预见期为1～3个月时,BVC模型在各水文站的R2均高于0.83、NSE均高于0.78且RMSE均维持在较低水平;与随机森林（Random Forest,RF）模型和长短期记忆神经网络（Long Short-Term Memory Neural Network,LSTM）模型相比,BVC模型能够很好地预测各水文站月径流的变化过程,特别是月径流极值的变化。研究表明BVC模型在预见期为1～3个月时的月径流预测性能明显优于RF模型和LSTM模型。该研究构建的BVC模型为流域的水资源管理和风险评估等提供参考。     

VMD-LSTM模型对不同预见期月径流的预测研究

为减小径流时间序列的非线性及非平稳性带来的预测误差，提高多种预见期下的月径流预测精度，将变模态分解（VMD）和长短期记忆神经网络（LSTM）模型相结合，建立了VMD-LSTM组合预测模型，并将大气环流因子作为模型输入的增加项，预测未来1~3个月的月径流。将模型应用于黄河流域上游唐乃亥、民和、享堂、红旗及折桥站的月径流预测以验证模型的适用性，并与VMD-BP（BP神经网络）、VMD-SVR（支持向量回归）及单一LSTM模型相比较。结果表明：VMD-LSTM组合模型的预测误差最小、精度最高，相比单一LSTM模型，其纳什效率系数（NSE）约从0.6~0.7提高到0.9以上；融合大气环流因子后VMD-LSTM模型预测精度进一步提高，NSE保持在0.91~0.96之间；随着预见期的增长，VMD-LSTM模型预测精度衰减较VMD-BP和VMD-SVR模型明显变缓，在3个月预见期时NSE仍能保持在0.84~0.95之间。VMD-LSTM模型是月径流预测的一种有效方法，结果可为研究区月径流预测提供参考。