基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470~2014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985~2014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015~2064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。

Study on Long-term Prediction Model for Drought and Flood in Poyang Lake Basin Based on CEEMD and BP Neural Network