基于小波ANFIS的诸暨站降雨量预测模型

【目的】建立适合诸暨站的降雨量预测的模型。【方法】采用小波分析和ANFIS相结合的模型预测方法,首先利用小波分析的多尺度分解功能,将诸暨站降雨量进行分解,然后利用ANFIS的自适应非线性逼近功能对分解后的序列进行预测,最后利用小波重构对预测的分解结果进行重构。【结果】小波ANFIS模型对诸暨降雨量的预测值与原始值相对误差在30%以内,精度达到要求。【结论】小波ANFIS模型可作为诸暨站的降雨量预测模型。     

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 Machines,LSSVM)(VMD-LSSVM)组合模型,并与单一LSSVM模型、基于经验模态分解(Empirical Mode Decomposition,EMD)的EMD-LSSVM组合模型和基于完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)的CEEMDAN-LSSVM组合模型进行预测结果对比,采用纳什效率系数NS、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE 4个误差指标评定各模型的预测精度。结果表明:组合模型较单一模型预测效果好,其中以VMD-LSSVM模型精度最高,2个站点精度达到甲级,MAE、MAPE和RMSE比CEEMDAN-LSSVM分别减少了50%～75%、40%～70%、40%～70%,比EMD-LSSVM分别减少了70%～80%、60%～85%、50%～80%,比LSSVM分别减少了80%～90%、75%～90%、50%～90%。因此VMD-LSSVM模型能适用于复杂的多频月径流预测,并能达到较高精度。     

基于EMD-LSTM的猪舍氨气浓度预测研究

为提高猪舍氨气浓度预测的精度和效率,提出了基于经验模态分解和长短时记忆神经网络(EMD-LSTM)的猪舍氨气浓度预测模型。首先,将猪舍氨气浓度时间序列数据进行经验模态分解,得到不同时间尺度下的固有模态分量(IMF);然后,对IMF建立LSTM氨气浓度预测模型;最后,将各分量的预测结果相加求和作为猪舍氨气浓度的最终预测值。将本文提出的预测模型应用于江苏省宜兴市实验基地某养猪场的氨气浓度预测中,并与Elman模型、循环神经网络(RNN)模型、LSTM模型和EMD-LSTM模型进行了对比实验,结果表明,基于EMD-LSTM模型的预测精度较高,预测结果与真实值相比较,平均绝对误差、平均绝对百分误差和均方根误差为0. 072 3 mg/m~3、0. 6257%和0. 094 5 mg/m~3。     

基于EMD与PSO的Nash NBGM(1,1)耦合模型的年径预测研究

针对径流是典型非平稳序列这一特点及目前存在的径流中长期预测精度低的问题,提出一种新的耦合预测方法——基于经验模态分解(Empirical Mode Decomposition,EMD)与粒子群优化算法(Particle Swarm Optimization,PSO)的非线性灰色Bernoulli耦合模型(Nash Nonlinear Grey Bernoulli Model,Nash NGBM)。首先利用EMD方法对汾河上游上静游、汾河水库、寨上和兰村4个水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数(Intrinsic Mode Function,IMF),对各阶IMF分别建立基于PSO算法的Nash NGBM(1,1)模型并进行预测,趋势项用多项式拟合并进行预测,然后通过重构各预测值得到汾河上游4个水文站年径流量的预测结果,并与单独运用基于PSO算法Nash NGBM(1,1)模型的预测结果进行比较,对模型作出评价。结果表明,基于EMD与PSO算法的Nash NGBM(1,1)耦合模型的拟合精度在92.5%以上,预测精度均达到了100%,其预测精度比单独运用基于PSO算法Nash NGBM(1,1)模型的预测精度有了明显提高;基于EMD与PSO算法的Nash NGBM(1,1)耦合预测方法的提出为径流中长期预测精度的提高提供了新的思路,对区域水资源的合理配置与优化调度具有重要的理论意义和实际价值。     

考虑气象因子不确定性的概率降水预报研究

降水量与气象因子的变化密切相关,因而气象因子的不确定性必然影响着降水量预报的精度。【目的】获取气象因子不确定性特征,提高降水预报结果的精度。【方法】以三江平原典型农场—友谊农场为研究区域,在贝叶斯概率预报系统(BFS)的理论框架下,利用径向基人工神经网络(RBF-ANN)描述月降水主要影响因子与月降水量的映射关系,并将其作为BFS的似然函数,以实测降水量为后验信息,对降水主要影响因子先验信息进行贝叶斯修正,利用基于自适应算法的马尔可夫链蒙特卡罗随机模拟技术(AM-MCMC)获取了各月的蒸发量、平均气温、相对温度的后验密度。结合RBF-ANN构建了考虑主要影响因子不确定性的概率降水预报模型(IFU-PBF),研究了各月降水的均值预报过程及其指定概率的置信区间。【结果】与传统RBF-ANN的确定性预报结果相比,预报期IFU-PBF计算结果的各精度评价参数均有所提高,纳什效率系数提高了3%;均方根误差降低了51%;相关系数提高了2%。尤其对极值降水的适用性更好,极大值的预报相对误差平均提高了55%,极小值的预报相对误差提高了24%。【结论】考虑气象因子不确定性,开展降水的概率预报更符合降水及其影响因素的随机过程的本质,提高预报精度的同时,能够考虑预报结果的不确定度。     

基于EMD和ELM的工厂化育苗水温组合预测模型

针对南美白对虾工厂化育苗水温时序数据存在非线性、非平稳等特点,采用传统单项预测方法预测精度低、鲁棒性差等问题,提出基于经验模态分解(EMD)、相空间重构和极限学习机(ELM)的非线性组合预测模型。在建模过程中,采用EMD方法将工厂化育苗水温原始时序数据多尺度分解为一系列固有模态分量(IMF),并对各分量进行相空间重构,在相空间中对ELM训练建模,分别对各IMF序列进行预测,将各分量预测结果进行叠加重构得到原始水温序列的预测值。将该模型应用于广东省湛江市南美白对虾工厂化育苗水温预测中,结果表明,该模型取得了较好预测效果。与BP神经网络、标准LSSVR和标准ELM等单项预测模型对比分析,模型评价指标MAPE、RMSE和MAE分别为0.015 8、0.032 9和0.096 2,均表明提出的组合模型具有较高预测精度和泛化性能,为南美白对虾工厂化育苗水温调控管理提供了一种有效的技术支持。     

黄河三角洲地区蒸发量时空特征及预测模型

【目的】研究黄河三角洲地区蒸发量特征,为该地区水资源利用等提供合理参考。【方法】利用黄河三角洲地区蒸发量资料,采用气候统计方法及GIS系统,探究黄河三角洲地区蒸发量时空特征,探明蒸发量与气候因子之间的关系并建立预测模型。【结果】(1)黄河三角洲地区春季、夏季和年蒸发量呈显著下降趋势;秋季和冬季蒸发量呈不显著上升趋势。蒸发量空间分布大致上均由东北向西南递减。(2)黄河三角洲地区蒸发量变化具有明显的周期性特征。春季蒸发量主循环周期为10 a;夏季蒸发量主循环周期为10 a和5 a;秋季蒸发量主循环周期为13、6 a和3 a;冬季蒸发量主循环周期为10～11 a和5～6 a;年蒸发量主循环周期为10 a。(3)黄河三角洲地区年蒸发量与年降水量、年日照时间、年平均风速、年平均云量和年平均气温日较差显著相关,与年平均气温相关性不显著。各季节蒸发量与各季节降水量、日照时间、相对湿度、云量及气温日较差显著相关,与其他因子相关性各有不同。(4)黄河三角洲地区相对湿度对各时段蒸发量影响效果均显著,风速对春季、夏季、冬季蒸发量的影响均显著,气温对春季和夏季蒸发量影响显著,日照时间对年蒸发量的影响效果明显,...     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧(DO)浓度是对虾养殖水质检测的核心指标.为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络(EMD-RF-LSTM)的对虾养殖溶解氧浓度组合预测模型.首先采用经验模态分解(EMD)对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量(IMF...     

优化变分模态分解的超声多普勒测流信号误差模型研究

超声多普勒流量计的应用环境复杂多变，因此提高测量精度和误差，精确提取回波信号非常重要。提出了融合变分模态分解(Variational Mode Decomposition，简称VMD)和奇异谱分析(Singular Spectrum Analysis，简称SSA)的降噪模型，以更好地改善回波信号信噪比。该方法首先利用柯西变异算子产生随机迭代过程，克服了海鸥算法(Seagull Optimization Algorithm，简称SOA)容易陷入局部最优的特性；其次，采用包络谱熵值作为适应度函数，自适应优化VMD参数组合，同时引入云相似度值作为有效模态分量(Intrinsic Mode Functions，简称IMF)筛选的标准；最后，针对中低频的二次谐波振荡现象，引入SSA加以解决。通过构造超声波模拟信号和走车实验数据实例，与小波阈值、经验模态分解(Empirical Mod Decomposition，简称EMD)等方法对比，分析CVSOA-VMD-SSA降噪效果。结果表明：对于仿真信号而言，CVSOA-VMD-SSA能克服模态混叠及SOA易陷入局部最优解问题，更有效地抑制噪声干扰，相...     

湖南省资水流域极端降水量时空变异特征及重现期极端降水量的推算北大核心CSCD

【目的】为了解湖南省资水流域各国家气象站1960-2016年年最大日降水量、年最大过程降水量的时空变异特征。【方法】利用经验正交函数(EOF)分解、空间自相关分析、线性倾向估计法、Mann-Kendall检验、复Morlet小波变换等方法,并基于数理统计方法推算了一定重现期各站点极端降水量值。【结果】①资水流域极端降水量空间上存在"北多南少、西多东少"的特征,地处迎风坡的站点极端降水量值较大,盆地、背风坡处的站点极端降水量较小,极端降水量EOF分解特征向量主要存在3种典型模态,南-北型、西北-东南型和全局型;20世纪80年代后年最大日降水量空间上存在一定的集聚倾向,尤其是2000年后集聚趋势十分显著,表现为明显的两极分化特征,年最大过程降水量则表现出一定的空间负相关性;②流域平均极端降水量呈增加趋势,年最大日降水量气候增长率为2.8 mm/10 a,20世纪80年代后期-20世纪90年代初期是极端降水量突变阶段,空间自相关性和变化趋势均存在显著变化;上游地区极端降水量存在准周期变化规律,准周期为10 a左右;③50 a以上重现期极端降水量分布与极端降水量EOF分解特征向量分布形态高度一致;极端降水量大的站点,其极端降水量随重现期显著增加,极端降水量小的站点,其极端降水量随重现期增加变化不明显。【结论】近年来频发的厄尔尼诺现象与资水流域极端降水量时空变异特征关系密切,其中的具体关联有待进一步研究。     

湖南省资水流域极端降水量时空变异特征及重现期极端降水量的推算

【目的】为了解湖南省资水流域各国家气象站1960—2016年年最大日降水量、年最大过程降水量的时空变异特征。【方法】利用经验正交函数(EOF)分解、空间自相关分析、线性倾向估计法、Mann-Kendall检验、复Morlet小波变换等方法,并基于数理统计方法推算了一定重现期各站点极端降水量值。【结果】①资水流域极端降水量空间上存在"北多南少、西多东少"的特征,地处迎风坡的站点极端降水量值较大,盆地、背风坡处的站点极端降水量较小,极端降水量EOF分解特征向量主要存在3种典型模态,南—北型、西北—东南型和全局型;20世纪80年代后年最大日降水量空间上存在一定的集聚倾向,尤其是2000年后集聚趋势十分显著,表现为明显的两极分化特征,年最大过程降水量则表现出一定的空间负相关性;②流域平均极端降水量呈增加趋势,年最大日降水量气候增长率为2.8 mm/10 a,20世纪80年代后期—20世纪90年代初期是极端降水量突变阶段,空间自相关性和变化趋势均存在显著变化;上游地区极端降水量存在准周期变化规律,准周期为10 a左右;③50 a以上重现期极端降水量分布与极端降水量EOF分解特征向量分布形态高度一致;极端降水量大的站点,其极端降水量随重现期显著增加,极端降水量小的站点,其极端降水量随重现期增加变化不明显。【结论】近年来频发的厄尔尼诺现象与资水流域极端降水量时空变异特征关系密切,其中的具体关联有待进一步研究。     

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。     

基于机器学习方法的土壤转换函数模型比较

土壤水分状态及运动过程的准确描述与预测需要精确的土壤水力参数,而使用土壤转换函数的方法可以方便省时省力地获得土壤水力参数。对于不同的建模方法,在模型预测精度、运行效率等方面有所差异。【目的】探究不同机器学习方法建立土壤转换函数模型的优劣。【方法】使用UNSODA全球土壤水力性质数据库,对比分析了人工神经网络(ANN)、支持向量机(SVM)、K-最近邻居法(KNN)对于van Genuchten模型参数的预测精度,并使用土壤样本的含水率-负压实测数据,从土壤质地的角度评价了各模型的预测效果。【结果】SVM模型对样本的预测效果最好,ANN次之,KNN模型受边缘效应影响预测效果稍逊。在训练模型时,ANN模型用时最长,KNN模型用时最短。然而,在预测过程中,ANN模型用时最短,KNN模型用时最长。【结论】本研究推荐在小数据集上建立土壤转换函数模型时使用SVM,而在更大型的数据集上要综合考虑计算成本、预测精度等方面合理选取建模方法。     

EMD在路面不平度信号趋势项中的应用

为准确计算路面不平度功率谱估计,需要提取信号中的趋势项。提出一种基于相关系数矩阵判断准则的经验模态分解去除趋势项的方法。利用经验模态分解(Empirical Mode Decomposition,简称EMD)将信号分解为一系列固有模态分量及余项,通过分析余项和趋势项的差别,依据相关系数矩阵判断某一固有模态分量是否属于趋势项。仿真信号和实测路面不平度信号处理结果证明,基于相关系数矩阵判断准则的经验模态分解去除趋势项方法具有更高的精度和可靠性。     

基于VMD-LSTM的奶牛动态称量算法

针对当前奶牛动态称量研究对动态称量信号的信息利用率偏低,不能充分提取称量信号深层信息的问题,提出一种基于变分模态分解（Variational mode decomposition,VMD）与长短期记忆网络（Long short-term memory,LSTM）的动态称量算法,以提高奶牛体质量预测精度。首先,使用阈值过滤的方法从采集到的奶牛动态称量信号中获取有效信号;其次,使用VMD算法将预处理后的有效信号分解为5个本征模态函数（Intrinsic mode function, IMF）,以提取奶牛动态称量信号中蕴含的深层信息,并降低有效信号的非平稳性对预测精度产生的影响;最后,分别将归一化后的各IMF分量与有效信号结合,作为特征输入到LSTM神经网络进行训练,预测奶牛体质量。通过对使用不同特征的模型的预测结果进行对比,选用误差最小的模型作为本文的奶牛体质量预测模型。试验结果表明,本文提出的动态称量算法能够有效提取奶牛动态称量信号的深层信息,体质量预测的平均相对误差为0.81%,均方根误差为6.21kg。与EMD算法和GRU算法相比,本文算法误差更小,更能满足养殖场的实际需求。     

基于遥感多参数和VMD-GRU的冬小麦单产估测

为充分挖掘时间序列遥感参数的时序信息和趋势信息,并进一步提升冬小麦估产精度,以陕西省关中平原为研究区域,选取与冬小麦长势密切相关的生育时期尺度的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感参数,构建耦合变分模态分解（VMD）与门控循环单元（GRU）神经网络的估产模型。应用VMD算法将各个时间序列遥感参数分解为多组平稳的本征模态函数（IMF）分量,选取与原始时间序列遥感参数高度相关的IMF分量进行特征重构,并将重构特征作为GRU网络的输入,以构建冬小麦组合估产模型。结果表明,VMD-GRU组合估产模型决定系数为0.63,均方根误差为448.80kg/hm2,平均相对误差为8.14%,相关性达到极显著水平（P<0.01）,其精度优于单一估产模型精度,表明该组合估产模型能够提取非平稳时间序列数据的多尺度、多层次特征,并充分挖掘冬小麦各生育时期遥感参数间的内在联系,获得准确单产估测结果的同时提升了估产模型的可解释性。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于经验模态分解与Elman神经网络的月径流预测

针对径流序列的弱相关,非线性特征,直接预测会导致精度低,建立基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的模型进行月径流预测,选取黄河上游唐乃亥水文站1979-2009年的月径流资料为研究对象。首先利用EMD对月径流资料进行处理,得到5个固有模态函数(intrinsic mode function,IMF)和1个趋势项。为了避免分量太多导致误差过大,将分量进行重组之后得到3个子序列,然后对3个子序列进行Elman神经网络预测。结果表明,EMD与Elman神经网络组合预测精度更高,更加适合复杂的水文序列。该方法可用于径流的中长期预测中。     

基于VMD-GA-BP和误差校正的水电机组振动趋势预测

水电机组振动趋势预测有助于确保机组的安全稳定运行，但由于振动信号的复杂性和非平稳性，准确有效的预测成为难题。利用变分模态分解和神经网络在应对非平稳性和非线性问题方面的优势并结合误差校正方法，建立了振动趋势预测组合模型。首先对原始信号进行VMD分解，然后对每个IMF分量建立GA-BP网络进行预测，将所得结果叠加得到振动信号预测结果。再将各IMF分量的合成信号与原始信号之间的误差同样利用VMD-GA-BP模型进行预测，预测结果与振动信号预测结果相加得到最终预测结果。利用国内某水电站数据对所提模型进行论证实验，结果表明本文所提模型有较高预测精度。     

数值法与解析法在地下水环境影响评价中的应用研究

【目的】探究数值法与解析法在进行地下水环境影响评价时的差异,以及在进行地下水环境评价时,选择更为合适的计算方法。【方法】以四川省宜宾市某氯化法钛白粉项目为例,利用瞬时点源一维对流扩散模型、瞬时点源二维扩散模型和GMS数值模型研究非正常工况下苯储罐泄漏时污染物对地下水的影响,预测了污染物在潜水含水层中的中心运移距离、最大浓度和污染范围,并对3种方法的计算结果进行比较分析。【结果】一维对流模型只考虑地下水流向方向上的运移情况,计算结果最大,方法简单方便,参数要求较少,但精度较低,无法预测污染面积;二维扩散模型考虑了平面上的污染物分布情况,可以预测污染物范围及浓度变化,但预测运移距离较大,与实际的边界条件矛盾;GMS数值模型是三维模拟,计算精度高,更符合实际情况,但建模过程复杂,水文地质条件限制较多,所需水文地质参数较多,耗时较长。【结论】综上考虑,水文地质条件简单、地下水环境评价等级不高的工程项目使用解析法预测较为方便;在水文地质资料充足、评价等级高的区域使用数值法预测精度更高。