小波神经网络在降水量预测中的应用研究

根据吉林西部的自然条件,运用小波神经网络方法,分别对乾安、通榆、扶余三个地区1957-2010年的月降水量资料进行分析,利用多组输入输出数据对模型进行训练,最终分别确定上述三地区任35a的相应降水量值与之后10a每年月降水量最大值、最小值及平均值之间的映射关系,并预测这三个地区2011-2020年的降水量值。与前人利用一组输入输出数据对模型进行训练不同,本文利用多组输入输出样本对模型进行训练。使模型更可靠,更贴近实际,进一步提高了模型的精确性。结果表明:采用小波神经网络方法对降水量进行预测,方法可行、精度较高、结果可靠;上述三地区2011-2020年平均降水量较1957-2010年平均降水量偏少,处于降水量变化周期的枯水期。降水量预测可为当地的防洪、抗旱工作提供依据。     

基于谐波分析的降水量预测模型研究

降水量预测是制定防旱、抗涝、救灾对策的重要依据,其预测方法是能够科学准确预测降水的重要手段。基于降水量存在多样性、复杂性及随机性的特点,采用降水距平法对降水量变化进行分析,运用谐波分析法建立降水量预测模型;以葫芦岛地区为例,根据葫芦岛4个气象观测站47 a（1960-2006年）的降水资料,对该模型进行了具体的应用。结...     

基于人工神经网络模型的关中地区用水量的预测

未来用水量的预测对制定区域宏观经济发展规划、水资源规划以及水资源合理配置等具有重要的指导意义,为区域经济的可持续发展提供重要保障.在1986-2005年的用水量演变分析基础上,选取出城镇人口、灌溉面积、GDP、耕地面积、降水量和ET06个驱动力因素,建立了基于驱动力因子的用水量预测的人工神经网络BP模型,并对关中地区2006-2020年的用水量进行预测.     

基于混沌理论的降水量预测方法研究

【目的】得到精确度较高的月降水量预测值。【方法】首先利用C-C关联积分法来确定波密站月降水量非线性系统的时间延迟τ和嵌入维数m,再对月降水量时间序列进行相空间重构,并利用小数据量法求取Lyapunov指数来判断月降水量时间序列的混沌特征,然后构建Volterra模型分别进行短期5a和长期15a降水量预测,将其预测小波预测模型和SVR预测模型的预测值对比,最后对Volterra短期预测模型进行叠加预测误差分析和模型推广分析。【结果】Volterra模型对混沌特征明显的月降水量进行短期预测时,其MAPE和EC分别为4.04%和0.941,相比小波和SVR模型来说具有较高的预测精度,同时叠加预测误差较小,其MAPE为7.657%,EC为0.894;而在长期预测时,该模型预测精度不如SVR模型;同时Volterra模型对混沌特征弱的月降水量进行短期预测时,其模型预测效果并不理想,MAPE为54.855%,EC仅为0.566。【结论】该方法能提供精确度较高的降水量预测值,为降水量的预测提供一种新的方法。     

基于支持向量机回归分析的降水量预测研究

在已有的降水量资料基础上,利用支持向量机回归分析方法建立了降水量预测模型。由于在利用降水量资料进行预测时特征值的选取没有统一标准,且目前鲜有文章涉及相关内容,因此提出了5种不同的特征值选取方法,并建立了相应的模型。通过评价对比,发现选取某月前10年同月的降水量作为特征值的预测模型输出结果精度最高,与实际情况更为接近,能很好地反映降水量的变化趋势。进而对该站未来5年的降水量进行预报。研究表明,在特征值选取合适的情况下,采用支持向量机回归分析对降水量进行预测,结果可靠、方法可行;预报结果和现有资料显示,该站所处地区近15年(2001-2015年)的降水量较早年偏少,处于降水量变化周期的枯水期。     

基于小波分析的双城市降水量变化分析及预测

分析不同取样周期下生成的小波图像,对图中显示的与降水周期有关的信息加以分析,并预测未来几年降水量的丰枯情况。先用已有数据进行验证性试验,结果周期为8年时准确性达到75%,周期为3年时准确性达到100%。根据双城市1952-2006年降水数据,利用小波模型分析降水周期变化规律,并对未来7年的降水情况进行预测,整体降水量偏低,只有2009、2012和2013年高于491mm。     

加权马尔可夫链在河流水质预测中的应用

在河流水质预测方法准确度不高的情况下,介绍了加权马尔可夫链的预测方法,以辽宁省抚顺市内浑河为例,根据1997～2006年的水质资料,采用均值-方差法对年降水量进行了状态分级,应用加权马尔可夫链对生化需氧量进行预测和分析.结果表明:该方法客观、准确、可靠、简便,为水质的中短期预测提供了新的解决途径.     

改进灰色波形预测方法在降水量预测中的应用

为提高降水量预测的准确度,降低经济损失.针对降水量数据序列非线性、非平稳的特征,在已有灰色波形预测模型的基础上引入斜率和分位数,构造非等间隔斜率灰色波形预测模型.首先,采用斜率等高线解决降水量数据具有上升、下降或波动的特征;其次,引入分位数解决降水量数据非平稳的特征;再次,采用GM(1,1)模型对满足条件的等高时刻序列建模;最后,采用非等间隔斜率灰色波形预测模型方法及传统方法对河南省1990-2019年的降水量数据进行分析.结果表明:基于方法的降水量预测结果与实测结果更相符、预测误差更小,精度较高.提出的斜率非等间隔灰色波形预测模型能够对非等间隔、具有上升或下降趋势的数据序列进行有效预测.     

改进灰色-马尔科夫模型在年降水量预测中的应用研究

用三点滑动法对灰色GM(1,1)模型优化,用模糊聚类FCM算法对马尔科夫模型状态分组阶段进行改进,用多种步长的马尔可夫链加权算法来预测年降水量。将上述改进后的灰色模型与马尔科夫模型结合,对地区年降水量进行预测。结果表明,改进后的灰色-马尔科夫模型既提高了马尔科夫模型对预测波动性降水数据的准确性,又充分利用了灰色系统预测结果精度高的优势,提高了预测精度。     

基于非线性多尺度模型的黄河三角洲降水量预测

【目的】提高降水量的预测精度,反映降水量的实际特征。【方法】基于经验模态分解对非线性时间序列的分析和处理的优势,对黄河三角洲气象站点1954—2018年连续65 a月均降水量数据进行经验模态分解(Empirical Mode Decomposition, EMD),得到了系列本征模态函数(Intrinsic Mode Function,IMF),对IMF进行Hilbert变换,在此基础上建立了2种黄河三角洲降水量多尺度预报模型。【结果】黄河三角洲降水量存在着9、13、23、76、135月左右的周期,并以9个月的波动为主;65 a月均降水量数据预测结果显示:模型一的相对误差在0.9%～9.8%之间,模型二的相对误差在1.6%～11.8%之间,在建模时不考虑初相位的模型一平均预测误差为2.70%,整体预测精度要优于考虑初相位的模型二。【结论】2种模型的拟合精度及显著性均符合要求。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine,ELM）、径向基神经网络（Radial basis function neural network,RBFNN）、梯度提升回归树（Gradient boosting regression tree ,GBRT）和随机森林（Random forest,RF）4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。     

灌溉用水需求预测方法初步研究

准确的分析预测灌溉用水需求及需水结构,对合理选择区域经济发展模式与发展速度至关重要。但由于问题本身的复杂性、影响因素的不确切性、特别是预测方法的局限性,使得目前需水预测误差较大。在剖析现有主要灌溉用水需求预测方法基础上,提出了需水预测模型应该考虑的基本原则及将时间序列分析的滑动平均模型、回归分析模型和人工神经网络模型有机结合构建的非线性自回归滑动平均的动态神经网络模型。     

1959-2017年安徽省夏季降水的时空变化及其影响因素研究

【目的】探究安徽省区域水热动态变化趋势,对区域水旱灾害发生的夏季降水时空分布变化特点、分配特征及变化规律进行分析。【方法】利用1959―2017年安徽省16个气象站逐月降水资料,采用气候倾向率法、滑动平均法、Mann-Kendall突变检验法并基于克里金插值法,对安徽省1959-2017年夏季降水的时空分布特征及影响因素进行分析。【结果】研究区年均夏季降水540.1 mm,占年均降水总量45.9%,夏季降水量变幅为275.7~1 137.0 mm;1959-2017研究区年均降水量和夏季降水量总体上都呈增加趋势,其中夏季降水量变化率为23.01 mm/10 a,略高于年均降水变化速率(21.31mm/10a);夏季降水作为年降水极值的重要构成,在1975年存在显著突变点,20世纪70年代末到20世纪90年代中期突变情况复杂多变,存在多个突变年份,突变年份与厄尔尼诺年具有较强关系。安徽省夏季降水与年降水在空间分布上都呈现出南多北少的同步趋势;年降水量呈现237.0~753.2 mm的降水梯度,夏季降水出现426.4~1 045 mm的降水梯度。【结论】安徽省夏季降水变化特点表现为集中性和突变性共存的特点,降水呈现增多趋势是全球气候变暖背景下复杂的水热响应关系以及以厄尔尼诺现象为代表的异常气候事件共同作用的结果;安徽省区域气候过渡性和复杂下垫面地形条件造成了区域降水显著分异。     

基于GIS空间插值的降水分布模拟方法比较研究

为了获取区域最优插值方案,模拟降水空间分布信息,基于1960-2015年湖南省87个气象站点资料,利用ArcGIS 10.2软件平台,采用克里金法、反距离权重法、样条函数法和趋势面法对研究区近56 a年均降水量进行空间插值,通过比较各插值方法的插值精度获得适合区域的插值方法,并分析了研究区降水空间分布特征.结果表明:湖...     

基于改进FCM算法的加权马尔可夫链的年降水预测

应用改进的FCM(Fuzzy C-Means,模糊C均值聚类)算法对承德市1951—2015年的年降水序列进行模糊聚类,获得10个聚类中心和隶属度矩阵。根据最大隶属原则确定每年的降水状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以隶属度向量作为预测时的初始状态向量,通过该模型逐年预测了承德市2004—2015年的降水状态,结果与实际情况一致。引入模糊集中的级别特征值公式,并对该公式做出修正。基于马尔可夫链的预测结果,应用修正后的级别特征值公式预测了2004—2015年的降水量,所有预测结果的相对误差都在7%以内,初步表明基于模糊聚类和加权马尔可夫链的降水预测模型是合理可行的。     

陕西省耕种收综合机械化水平预测研究

研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。     

NAR神经网络的应用与检验——以城市居民生活需水定额为例

NAR神经网络具有反馈和记忆功能,其在时间序列的建模仿真方面具有显著优点。以城市居民生活需水定额为例,采用NAR神经网络建立了贵州省城市居民生活需水定额的时间序列模型,通过试验法、留一法交叉检验讨论了模型相关输入参数的计算与选取,通过相关系数、Nash效率系数、LBQ检验、ROC曲线方法检验了模型的性能和预测结果的精度,进而对贵州省城市居民生活需水定额变化趋势进行了预测。结果表明,(1)NAR模型性能良好并具有较高的预测精度,NAR神经网络的相关系数r、Nash效率系数分别达到0.97、0.87,LBQ检验得出预测结果误差不存在自相关性,采用预测结果绘制ROC曲线,其AUC值达到0.938(处于水平1,有较高准确性);(2)需水定额合理性评价中,预测2020年、2030年需水定额分别为137.72 L/(人·d)、132.94 L/(人·d),满足《室外给水设计规范》(GB50013—2006)的要求,具有较好的适用性。     

基于分数阶微分的荒漠土壤铬含量高光谱检测

为解决高光谱检测土壤中痕量级重金属含量存在的困难,提高土壤重金属铬含量检测的准确度,利用新疆准东煤田周边168个荒漠土壤样本的重金属铬含量及其对应的高光谱数据,运用分数阶微分算法进行光谱数据预处理,最后利用全部波段进行偏最小二乘建模并进行可视化分析,旨在探讨分数阶微分预处理在高光谱数据估算荒漠土壤重金属铬含量的可能性。结果表明:原始光谱与吸光率变换的分数阶微分模型均在1.8阶微分处达到了最好的精度效果。吸光率变换1.8阶微分模型为最优模型,模型的校正均方根误差为7.68 mg/kg,R_c~2=0.83,预测均方根误差为8.39 mg/kg,R_p~2=0.78,相对分析误差为2.14。最后利用铬含量实测值与光谱预测值通过反距离加权法插值获得研究区土壤重金属铬含量的空间分布,说明利用该方法对土壤重金属铬含量定量检测并进行大尺度的空间分布反演在一定程度上是可行的,为荒漠土壤重金属污染状况的高光谱检测提供了一定的科学依据和技术支持。     

江西省锦江流域降水变化特征研究

为研究江西省锦江流域的多年降水特征,以流域的9个雨量站1957-2013年逐日降水资料为基础,对锦江流域不同地区的降水序列分别采用线性趋势、5 a滑动平均、Mann-Kendall趋势检验法,Pettitt突变检验法,累积距平,Morlet小波分析等分析方法进行研究。结果表明:①流域面上多年平均年降水量为1617.5 mm,空间分布为从上游到下游递减的特征,且每10 a以9.59 mm的趋势上升,其上升趋势主要受到中、下游的影响;20世纪90年代是锦江流域降水较多的年代,年降水量在统计年限内呈现出“偏少-偏多-偏少”的变化趋势。②季节降水量的空间分布与年降水量相同,各区域的降水量主要集中在春季,其次是夏季、冬季,秋季降水量最小;夏、秋、冬3个季节的降水量呈现上升趋势,春季降水呈现下降趋势,其中上游流域的春季、中游流域的春、夏两季的降水量的趋势变化均具有显著性,逐月降水量主要集中在4-6月,占年降水量的45.72%左右,6月降水量最大,而9-12月的降水量所占比例较小,各地区各月份所占降水百分比与流域面上相差不大。③在Pettitt检验中,各区域的春季、夏季、秋季的突变较为一致,分别为春季(1984年)、夏季(1991年)、秋季(1980年),其中中游流域的夏季突变还通过0.1显著性水平。年降水量及冬季降水量在不同区域的突变值较为分散;而从累积距平分析,年降水量其各区域较为明显的同一突变点为1991年,冬季降水为1986年。④锦江流域不同地区的年降水量主周期较为明显,均为31 a;次周期在13 a左右,但不明显。     

基于BP神经网络与GIS可视化的作物需水量预测

作物需水量是农田水利工程规划、设计与灌溉用水管理的重要参数。基于BP神经网络与GIS可视化作物需水量预测,以河南省冬小麦的作物需水量为例,利用实测站点的地理坐标以及高程,通过BP神经网络对分析数据进行加密插值,并采用GIS里的协克里金法结合高程作为一个协变量进行作物需水量的空间插值,实现GIS可视化,从而得到准确度较高的作物需水量空间分布图。结果表明,该方法对于河南省冬小麦作物需水量预测具有较好的预测精度,方法有一定的参考价值。