百色水库入库径流中长期预测方法比较研究

以郁江流域百色水库入库径流为研究对象,分别采用基于水文气象因子的逐步多元回归模型、人工神经网络模型（气象因子）和基于时间序列的混沌理论模型、最近邻抽样回归模型、小波分析法、神经网络—自回归模型共6个模型方法对百色水库年尺度、月尺度以及旬尺度入库径流进行中长期径流预报工作,随即采用平均相对误差、合格率、TS评分以及均方根误差4种评价指标对上述6个模型的预测结果进行精度评估,并依据熵权法的理论对上述4种指标进行客观赋权形成综合性指标分析体系,来确定最优模型以进行郁江流域百色水库不同尺度和预见期的入库径流中长期径流预报工作。结果表明：各模型预报结果中的平均相对误差相对较大,但其所对应的合格率以及TS评分指标均处于优良水平;月尺度预报过程中,各模型非汛期预报精度都要高于汛期预报精度。结合各模型自身特点以及综合性指标分析的基础上,可在年尺度中长期径流预报过程中采用神经网络—自回归模型、月尺度中长期径流预报过程中采用混沌理论模型,旬尺度中长期径流预报过程中依据不同的预见期分别采用人工神经网络模型（气象因子）以及小波分析法进行相关的中长期径流预报工作,从而为郁江流域百色水库制定未来中长期调度计划提供...     

玛纳斯河流域河川径流时空分异特征研究

在全球气候变化影响下,新疆内陆河流域地表径流过程的不确定性增加,其径流时空变化特征备受关注。研究以玛纳斯河流域为研究典型,依据流域内塔西河、玛纳斯河、金沟河以及八音沟河出山口水文站1957-2012年径流量资料,统计分析了56a来玛纳斯河流域各河流年径流量的多年变化规律以及空间变异特征。研究结果表明:玛纳斯河流域内各河流年径流过程大致存在4~5个时间尺度的周期性规律,其中8~10a和16~20a左右的周期性变化起占主导;通过泊松相关分析,基本可以认定,流域4条河流年径流过程存在着正相关性,也即存在着同步变化规律,且其相关性与其空间位置及径流量大小存在关联。     

大汶河流域河川天然径流演变规律研究

大汶河流域河川天然径流量具有年内变化不均、年际变化幅度大的特点,为分析河川天然径流的演变规律,本文应用累积距平法、Mann-Kendall法、小波分析等多种方法对大汶河流域53年的河川天然径流的变化趋势、突变特征以及周期特性进行了研究。分析结果表明:流域河川天然径流量略呈下降趋势,且存在阶段性变化特征,并于60年代中期达到突变水平;对天然径流序列的小波分析表明,主要存在2个尺度的周期变化,现阶段处于5年尺度下的相对枯水期。     

基于VMD-LSSVM的月径流预测方法研究

针对月径流序列包含多种复杂频率信息的特性,为提高预测精度,对上静游站、汾河水库站、寨上站和兰村站1958-2000年月径流序列资料进行分析并预测.提出变模态分解(Variational Mode Decomposition,VMD)和最小二乘支持向量机(Least-Square Support Vector Machi...     

基于VMD-PSR-BNN模型的月径流预测方法研究

径流过程是地球上水文循环中的关键一环,科学准确地预测月径流的来水量对于流域的水量调度、水资源规划及管理具有十分重要的意义。然而由于径流过程的复杂性以及人类活动的影响,在变化环境中精准捕捉月径流时间序列的变化规律变得十分困难。针对月径流时间序列预测中存在的对于样本数据中先验信息识别不够彻底以及对时间步长嵌入维度难以有效地自适应选取这两点问题,设计了基于VMD-PSR-BNN的月径流时间序列预测模型。基于变分模态分解（VMD）算法对噪声良好的鲁棒性和对时序信号精确分解的特性,将月径流时间序列视为一种时序信号,利用VMD方法将月径流时间序列分解为多个相对平稳的固有模态函数（IMF）,再基于相空间重构（PSR）理论对各个IMF分别进行重构,对各个重构后的IMF分别采用基于变分推理的贝叶斯神经网络（BNN）进行预测,最后将各个BNN的预测结果进行聚合重构得到月径流时间序列的最终预测结果。选取渭河流域咸阳和华县两个水文站1953-2018年的月径流时间序列进行实例分析。结果表明：VMD对月径流时间序列具有很好的分解效果,两个水文站基于VMD-PSR-BNN模型的月径流预测结果均可达到水文预报的甲级标准,并且对于样本中的极端值具有较好的拟合效果,为月径流时间序列的预测提供了新的方法参考。     

基于LMD-QPSO-CRJ模型汾河上游月径流预测方法研究

针对径流序列具有较强的非平稳性和非线性特征,为提高预测精度,提出一种月径流组合预测模型LMD-QPSO-CRJ。选用局部均值分解法（LocalMeanDecomposition,LMD）对径流数据分解降噪,并对第一个高频分量用变模态分解法（VariationalModeDecomposition,VMD）进行二次分解,采用量子粒子群优化算法（QPSO）对确定性循环跳跃网络（CycleReservoirwithRegularJumps,CRJ）进行参数优化,最终建立LMD-QPSO-CRJ模型。将该模型应用于汾河上游汾河水库站和上静游站的月径流预测,并与单一QPSO-CRJ模型及CEEMD-QPSO-CRJ模型进行对比分析。结果表明,验证期LMD-QPSO-CRJ模型的MAE值和RMSE值与单一QPSO-CRJ模型相比分别减少32%~40%和23%~31%,与CEEMD-QPSO-CRJ模型相比分别减少11%~26%和11%~18%,LMD-QPSO-CRJ模型的NSE值最接近于1。因此,LMD-QPSO-CRJ模型具有较好的预测精度,可以用于指导实际的生产建设。     

基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

一种非线性组合预测方法在径流预测中的应用

将基于人工神经网络的非线性组合预测方法应用于径流预测中，以1996年太阳沱的洪水资料为例，对已经建立的2个模型，采用3层的BP网络进行组合模拟预测，从多方面分析比较，证明用该种方法能够提高预测精度，结果令人满意。     

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解（CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise,CEEMDAN）方法,量子粒子群优化算法（QuantumParticleSwarmOptimization,QPSO）、宽度学习系统（BroadLearningSystem,BLS）模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSO-BLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数（NSE）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。     

机器学习在径流预测中的应用研究

机器学习在各个领域以及交叉学科中有着广泛的应用。运用两种机器学习方法支持向量机回归SVR和BP人工神经网络,对长江流域河溶水文站2009-2014年逐日径流与日降水资料进行学习、训练以及预测。采用Ns效率系数和相对偏差PB作为比较指标,与传统的分布式水文模型(THREW)进行比较。结果表明:THREW模型模拟效果好,Ns效率系数为0.503,具有清晰的物理过程和水文机理,但是模拟结果的相对偏误差PB较大,数据要求较多,操作复杂。两种机器学习方法在相对偏误差PB指标表现较好,都较好的模实现了对径流的预测,泛化能力较好,即具有将学习成果应用于新知识的能力。但是对数据依赖较大,数据样本容量越大,预测的结果会更理想。BP神经网络模径流结果在相对偏误差PB指标表现很好,模拟低流量时期较准,在洪峰流量阶段模拟失真,SVR对极大洪峰流量预测准确度有所提高。结果显示SVR优于分布式物理THREW模型和BP神经网络。     

黄河龙门径流量预测模型研究

河川径流预测是一个十分复杂的问题,生命旋回模型在进行径流趋势预测时具有对资料要求少、计算简单等优点,但由于模型方程的限制,进行预测时得到的序列很难反映径流序列的随机波动变化,且存在预测结果精度不高的缺点。根据黄河龙门水文站提供的49a的径流水文资料。应用神经网络进行预测时和生命旋回模型建模使用,得到预测值。结果表明预测结果明显优于单一的生命旋回模型和神经网络模型,可以用于径流预测。     

基于VIC模型与SWAT模型的径流模拟对比研究

首先对VIC模型与SWAT模型进行了简介,然后将两个模型应用到湖北省白莲河流域,探讨其在中小流域尺度的径流模拟中的适用性,同时进行径流模拟的对比研究.利用白莲河流域的水文气象数据、DEM数据、植被类型和土壤类型等资料,经过数据的收集整理建立白莲河流域的VIC模型与SWAT模型.采用1995-1999年汛期(4-10月)作为模型参数的率定期,2002-2004年汛期(4-10月)作为模型参数的检验期.研究结果表明:两个模型基本能够反映白莲河流域的日径流水文过程,具有一定的适用性.     

城市绿化节水灌溉技术比较研究

随着城市绿化面积的不断增大,其用水量与水资源短缺之间的矛盾渐显,推广节水灌溉技术在城市中的应用是解决水资源短缺问题的趋势所向.基于此,在对比喷灌、微喷灌、滴灌、微润灌及痕量灌溉等不同节水灌溉系统技术特征的基础上,基于情景假设,开展了五类节水灌溉系统用水量及总投资的对比分析,并以此为基础,探讨了五类灌溉系统对再生水的适用性问题,最后提出了适用于不同城市绿地形式的灌溉系统.结论表明:微润灌及痕量灌溉系统的单位面积年用水量较滴灌系统分别减少了39.6％、42.4％;微润灌及痕量灌溉系统单位面积投资最高,分别为8.09元/m2和8.02元/m2;以再生水为水源的条件下喷灌系统的抗堵塞性能最优,微喷灌、微润灌、痕量灌溉其次,滴灌系统抗堵塞性能最差;综合考虑不同节水灌溉系统的技术特征、用水量、总投资及对再生水的适用性等因素,建议主要推广微喷灌及微润灌系统在城市绿地中的应用.     

基于信息扩散近似推理的年径流量预测模型

通过分析年径流时间序列的特性,利用信息扩散近似推理描述年径流量间的复杂非线性关系,建立起基于信息扩散近似推理的年径流预测模型.信息扩散近似推理将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可以将矛盾模式转换成兼容模式.通过与传统预测方法相比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值.     

径流多时间尺度预报方法对比分析

径流预报在水资源综合开发利用、科学管理、优化调度等方面起着至关重要的作用。针对不同预报方法预报精度存在差异的问题,本文选用多元线性回归模型（MVLR）、灰色动态GM（1,N）模型、人工神经网络模型（ANN）分别对宜昌水文站日、月、汛期、非汛期流量进行模拟与比较分析,并在此基础上建立组合预报模型（CP）。结果表明：ANN模型预报精度相对较高,预报效果总体优于MVLR、GM（1,N）两种模型;CP模型能够降低预报的风险,但预报合格率略有下降;各模型日尺度流量预报精度高于月尺度,非汛期预报精度高于汛期。     

地下水位预测模型对比分析研究

为更好地研究地下水位预测模型,选用灰色GM(1,1)、叠加的马尔科夫链和BP神经网络3种模型,选取2007-2010年长春市的地下水位资料进行地下水位预测研究,对比分析了3种模型的预测结果以及其适用情况。结果表明,3种预测方法的平均绝对误差均小于10%,在一定程度上表明3种模型均具备一定可信度,其中叠加的马尔科夫链模型的误差相对较大,另外两种则相差不大。灰色GM(1,1)模型适用于把握数据的大体变化趋势;叠加马尔科夫链模型适用于对相对稳定的数据的预测;BP神经网络模型需要基于相对较多的数据进行有弹回地校正模拟,且预测的结果相对拟合程度更好,预测结果更理想。     

加权马尔可夫链在新疆阿克苏河年径流量预测中的应用

径流预测在水资源规划中发挥着重要作用.基于径流过程不确定性、不精确性的特点,利用资料系列的均方差方法把径流序列分为不同的状态.在此基础上,采用统计方法,建立转移概率矩阵,以规范化的各阶自相关系数为权重.用加权马尔可夫模型预测径流状态,并根据模糊集理论中的级别特征值预测径流量,最后把加权马尔可夫预测模型应用于新疆阿克苏河径流丰枯状态及年径流量的预测中,结果令人满意.     

基于小波分析的支持向量机径流预测模型及应用

针对径流年内、年际变化幅度大、单一方法难以预测的特点,提出基于小波分析的支持向量机径流预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果。通过与其它方法预测结果的对比分析,验证了模型的有效性,为径流预测提供了一条新途径。