基于MI-PCA与BP神经网络的石羊河流域中长期径流预报

使用神经网络进行水文预报的关键之一是预报因子(输入变量)的筛选。鉴于现有方法对预报中因子与径流间复杂的非线性相关关系考虑不充分以及因子间信息重叠导致的算法"过拟合"等问题,提出了一种信息熵理论和主成分分析方法相结合的预报因子筛选方法,并应用至石羊河流域的中长期径流预报中。实例研究表明:运用基于MI-PCA的预报因子筛选方法构建的石羊河流域中长期径流预报BP神经网络模型检验期预报合格率为91.67%,优于单独基于互信息法(83.33%)和主成分分析法(75.00%)的合格率,预报精度满足相关标准规范的要求,可为石羊河流域中长期径流预报提供实际支撑。     

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。     

基于神经网络的洮河枯期径流预报模型研究

根据洮河50年(1957～2006年)的径流量、降雨和上游径流量数据,建立了基于反馈神经网络的Elman洮河枯季径流预报模型。利用matlab7提供的神经网络工具箱进行建模训练。仿真结果表明所采用的Elman网络预报模型精度高,为人工神经网络运用到水文预测方面提供了依据。     

基于GIS的降雨径流预报方法研究

为满足降雨径流预报的需要，研究了基于GIS的降雨径流预报方法。分析了水文过程的影响因素并阐述了数据信息的预处理方法；提出了基于遗传算法的神经网络模型，该模型提高了神经网络的训练精度和效率，将该模型应用在降雨径流预测中能有效提高预测水平；提出了结合地理信息系统的流域降雨径流预报方法，通过GIS对降雨信息的处理，提高了降雨径流预报模型的输入数据的精度；通过实例分析，验证了该方法在降雨径流预报应用中的可靠性和高效性。     

基于GS的降雨径流预报方法研究

为满足降雨径流预报的需要，研究了基于GIS的降雨径流预报方法。分析了水文过程的影响因素并阐述了数据信息的预处理方法；提出了基于遗传算法的神经网络模型，该模型提高了神经网络的训练精度和效率，将该模型应用在降雨径流预测中能有效提高预测水平；提出了结合地理信息系统流域降雨径流预报，通过GIS对降雨信息的处理，提高了降雨径流预报模型的输入数据的精度；通过实例分析，验证了该方法在降雨径流预报应用中的可靠性和高效性。     

基于机器学习的多模型耦合径流预报研究

为具体考虑各水文模型适用条件、灵活利用模型预报特征对研究流域进行高精度耦合径流预报,将雅砻江流域雅江～吉居区间作为研究对象,以提升径流预报精度和稳定性为首要目的,构建涵盖新安江模型、水箱模型和TOPMODEL模型的多模型径流预报方法库,引入最小二乘法、岭回归法和极端梯度提升树法耦合各模型进行水文预报,并提出多评价指标体系对各耦合方法的预测性能进行对比分析。结论表明,极端梯度提升树法相较于其余两种方法有稳定的预测性能和强大的泛化能力,为该流域其他区间的预报工作提供了新的思路。     

基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

三峡水库中长期径流预测及不确定性分析研究

以三峡水库为例,采用轻量梯度提升树(LGB)对1965-2016年逐月流量过程开展了中长期预测研究,并在其基础上结合水文不确定性处理器(HUP)对预测结果的不确定性进行了定量分析,得到以下结论:①各精度指标结果表明,与GBDT模型相比,LGB模型在率定期及验证期均具有更高的精度,能较好地应用于三峡水库中长期径流预测中;...     

基于EEMD的枯季入库径流预报分析

针对枯季径流量预测的问题,提出了一种新方法。采用集合经验模态分解（EEMD）的数据处理方法,实现对枯季径流的多层次、多时间尺度分解,获得简单且平稳性较好的固有模式分量（IMF）,再利用径向基（RBF）人工神经网络对数据进行预测分析。通过以密云、潘家口水库的枯季入库径流量的数据为例,运用此方法进行预测分析,并与以EMD为基础的方法进行对比,结果表明本文提出的模型预测效果理想,精度较高,具有一定的使用价值。     

偏最小二乘回归神经网络在径流预报中的应用

地表水系统中,径流受诸多因素影响。将偏最小二乘回归与神经网络耦合,建立了径流量预报模型。将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题。实例表明本模型有较高的拟合和预报精度。     

基于多模型融合的中期径流预报

为提高流域中期径流预报精度,提出了一种基于机器学习的多模型融合的中期径流预报方法,并应用于桓仁水库流域。首先采用BP神经网络（BP）、多元线性回归（MLR）、支持向量机（SVM）构建旬尺度的单一径流预报模型;再基于信息熵和机器学习方法对上述单一模型的结果进行融合,分别建立基于信息熵、BP神经网络、SVM的信息融合预报模型;进一步考虑融雪影响,构建春汛期旬径流预报模型。引入平均绝对误差（MAE）、均方根误差（RMSE）和预报合格率（QR）三个误差评价指标,综合评定各模型在汛期和非汛期的径流预报精度。结果表明：(1)所有模型对径流变化趋势的模拟效果相对较好,单一模型对峰值的模拟表现较差;(2)基于机器学习算法的融合模型能很好结合不同预报模型的优势,模拟精度优于各单一预报模型和基于信息熵的融合模型,共提高汛期10个旬的径流预报精度,且将6个旬的预报合格率提升至100%,预报合格率的最大提升率达到24%;(3)考虑融雪影响的旬径流预报模型在3月和4月的预报合格率均在90%以上,提高了流域的非汛期径流预报能力。研究提出的基于机器学习的信息融合预报方法可得到准确性和可靠性较高的径流预报模型,为桓仁...     

基于最大熵原理的径流预报误差分布规律研究

为了更好的研究径流预报误差的分布规律,应用最大熵原理,建立径流预报误差分布的最大熵模型;以官地水库径流预报系列为例,计算其不同预见期的径流预报误差概率密度函数及分布曲线,将该分布曲线与理论正态分布曲线和样本直方图进行对比,结果表明最大熵法求得的误差分布能更好地描述径流预报误差的分布特性。考虑流域径流年内的丰枯变化,以枯水期、汛期和过渡期对径流系列进行划分,分别分析各个时期的误差分布规律,并给出预报误差在不同置信区间下的置信度,从而更好地掌握径流预报误差的分布规律,为提高径流预报精度提供一条新途径。     

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...     

基于BP神经网络的雨雪混合径流预

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型。并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证,通过结果比较分析,在一定程度上提高了模型预报精度,取得了一定成效。     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

基于小波方差分析的BP神经网络年径流预测

开展径流量的预测研究,将为水资源的优化配置提供科学的理论基础。以卡拉贝利水文站50年实测径流资料为例,利用Matlab软件对数据进行小波方差分析,分析不同时间尺度下的趋势性和周期性,为径流预测输入因子提供依据;再结合BP神经网络实现不同周期下的年径流的预测,结果表明,与未经小波方差分析的神经网络预测模型相比,精度高。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列，对这些子径流序列分别建立局部神经网络模型，而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时，首先用分类器判别其类别，以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比，结果表明这种基于径流分类的降雨－径流模型表现出了更优良的性能，可以较大地提高径流模拟精度。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。     

一维水文要素时间序列及可预报时间尺度研究

用浑沌理论分析了一维水文要素时间序列的模式特征和中长期预报的可行性 ,并给出了水文要素可预报时间尺度的衡量指标。经过水文系统的实例研究表明 :水文系统具有混沌性 ,水文要素可预报时间尺度是存在的     

基于马氏距离判别的丹江口水库长期径流分级预报

准确及时的长期径流预报对于水库安全和水资源调度具有重要意义。为提高丹江口水库长期径流预报精度,从影响长期径流的物理成因出发,选取1952-2008年的资料序列,将径流划分为丰、平、枯三个级别,利用相关系数法和AIC准则筛选出相关性高、独立性强的因子集,基于马氏距离判别分析原理,构建长期径流分级预报模型,并与逐步回归模型预报结果作比较。结果表明,在多年变幅10%的许可误差下,两种模型均取得较好的预报效果,基于马氏距离判别分析的长期径流分级预报模型的预报精度和稳定性优于逐步回归模型,研究成果可为丹江口水库调度工作提供参考。