雷州半岛年降水量序列分析及预测模型

采用了雷州半岛徐闻气象站年降水量(1957～2002年)的时间序列资料,运用时间序列分析建模方法,对序列提取趋势项和周期项,并用自回归-滑动平均混合模型拟合剩余序列,然后再对年降水量序列进行预测。分析结果证明,建立的时间序列预测模型,具有较高的预报精度,其预测的结果可以用作雷州半岛旱情预报和防治的参考依据。     

基于时序分解与机器学习的非平稳径流序列集成模型与应用

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明：联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。     

模糊均生函数残差模型在地下水数值模拟降水量预报中的应用

地下水主要补给来源为大气降水的入渗和地表水体的渗漏.在地下水模拟预报模型中需要预先知道降水量.迄今为止,年降水量的预测仍然是一个不易解决的难题.在模糊均生函数模型(FAFM)基础上,利用其残差数据序列对FAFM进行校正,提出了模糊均生函数残差模型(REMFAF),给出了模型预报精度的检验方法.实例研究表明,REMFAF模型应用于吉林省西部地区地下水数值模拟中的降水量预报,比FAFM的预报精度更高,取得了较为理想的结果.     

基于WA、ANN和水文频率分析法相结合的中长期水文预报模型的研究

针对传统中长期水文预报方法模拟预测结果精度低、未考虑水文不确定性因素的影响等问题,本文将小波分析(WA),人工神经网络(ANN)和水文频率分析法联合使用,建立了不确定性中长期水文预报模型:即在应用WA揭示水文序列变化特性的基础上,将原序列分为主序列和随机序列两部分,然后利用ANN对主序列进行模拟预测,对随机序列进行水文频率分析,最后将两部分结果叠加作为最终预测值.将该模型用于黄河河口地区作中长期水文预报,并与传统方法作对比,进行模型验证.结果显示:该模型能同时揭示序列的时、频结构和变化特性;预报值结果精度高;且合格率高;能定量分析和描述水文不确定性因素对预报结果的影响,可得到不同频率对应水文序列的模拟预测值.因此该模型的预报结果更加合理有效,对实际生产应用更具有指导意义.     

用时间序列模拟和预报天山乌鲁木齐河源1号冰川年径流总量

本文把1958—1984年天山乌鲁木齐河源1号冰川的融水径流总量的时间序列X(t),分解为趋势项L(t)、周期项P(t)、平稳项S(t)、随机项ε(t),使该时间序列表示为X(t)=L(t)+P(t)+S(t)+ε(t)。采用非线性回归提取L(t),用谱分析和Fourier级数提取P(t)余差用自回归方程建模,用上述项的叠加作出预报,按相关指数公式计算R=0.90,效果良好。     

用时间序列模拟和预报天山乌鲁木齐河源1号冰川年径流总量

本文把1958—1984年天山乌鲁木齐河源1号冰川的融水径流总量的时间序列X(t),分解为趋势项L(t)、周期项P(t)、平稳项S(t)、随机项ε(t),使该时间序列表示为X(t)=L(t)+P(t)+S(t)+ε(t)。采用非线性回归提取L(t),用谱分析和Fourier级数提取P(t),余差用自回归方程建模,用上述项的叠加作出预报,按相关指数公式计算R=0.90,效果良好。     

时间序列分解模型在水文要素中长期预报中的应用

基于时间序列分解法，建立了降雨、水库来水的中长期预报模型。引入灰色系统理论来分离趋势项，并应用反馈模拟校正技术对预报结果作出实时校正，从预报结果可以看出，所建模型具有较好的适应性和预报精度。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

基于EEMD-PSO-GRNN模型的元江中上游径流预测

径流序列的非线性和非平稳特性使得高精度的径流预报存在困难。本文组合EEMD和GRNN模型形成EEMD-GRNN耦合模型,预测时通过将径流序列分解为确定成分与随机成分并通过GRNN模型分别进行预测,预测值的加和则构成径流最终预测结果。EEMD-GRNN耦合模型应用到元江中上游,并与其他模型进行比较,结果表明：EEMD-GRNN耦合模型具有更高的预测精度,对径流的总体趋势预测有良好的效果,但在随机性的模拟上有待进一步完善。EEMD-GRNN耦合模型优于BP、GRNN、EEMD-BP模型,能有效提升径流预测的精度,可为流域的水资源优化调度等提供决策支持。     

滑坡预报模型的质量检验研究

滑坡预报模型主要用来预报滑坡发生的时间,但是如何检验效果是滑坡预报者和决策者面临的一个重要课题。本文通过提出滑坡拟合效果指标(包括后验差指标、模型拟合效率指数和均方根误差)和试预报效果指标(包括试报效果指标和相关系数指标),初步建立了滑坡的预报质量检验模型。依据建立的检验模型,针对链子崖危岩体监测资料分别采用灰色GM(1,1)数学模型、三次指数平滑模型和时间序列模型进行预报。预报结果表明:三种模型中,综合指标GM(1,1)数值最高,建议该滑坡采用GM(1,1)进行预报。通过模型的综合分析评判,不仅分析了模拟效果,而且直接比较了模型间的拟合效果,并为建立模拟效果好的模型提供了充分的依据,从而表明滑坡预报质量检验模型是一种有效、实用的方法。     

非平稳条件下北京市最大月降水量频率特征分析

为探究气候变化下极端降水的频率变化特征,基于北京市22个雨量站实测月降水量数据,以时间为协变量构建平稳和非平稳GEV模型,对北京市最大月降水量序列(极值降水序列)进行模拟和频率分析,并采用Bootstrap方法对频率分析结果的不确定性进行评价.结果表明:所有极值降水序列的最优概率分布模型均为非平稳GEV模型,该模型能够...     

GAS参数优化方法在黄河上游非汛期径流预报中的应用

本文采用相关分析与GAS参数优化相结合的方法,对黄河上游非汛期径流预报模型进行了研究,并对2000～2003年的径流进行了实时预报检验,从检验结果来看,这种预报方法具有较高的预报精度.本文为非汛期径流预报研究提供了参考和借鉴,同时,就计算分析手段而言,GAS在参数优化方面具有广泛的应用价值.     

基于非结构混合网格求解二维浅水方程的一种数值方法

复杂边界下的流场数值模拟常基于非结构化网格进行求解,建立一种在非结构混合网格上求解水深平均的二维浅水方程的模型,以便精确模拟复杂边界、提高计算效率。该模型时间项离散采用隐格式使得模型具有较好的稳定性,对流项和扩散项分别采用总变差减小(Total Variation Diminishing,TVD)格式和构造辅助点的方法来离散,同时采用水深平均的标准k-ε模型来封闭湍流模型。选用两个经典验证算例检验模型,计算结果表明,基于非结构混合网格开发的模型具有较高的精度,且收敛性能较好。     

SMA-LSTM模型在径流预报中的适用性研究

径流预报对于防洪、发电和生态调度等具有重要意义。以大渡河丹巴以上流域为研究区域,采用黏菌优化算法（SMA）对长短期记忆神经网络（LSTM）的隐藏层输出维度进行优化,构建SMA-LSTM模型对未来10日径流过程进行预报,以探讨深度学习方法对流域径流预报的适用性。基于2012—2017年的日降雨量和日流量资料,构建了预见期为10天的逐日径流SMA-LSTM预报模型,以2018—2019年的资料进行模型验证;采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标,并与未优化的LSTM模型和新安江模型结果进行对比。结果表明：SMA-LSTM模型具有较高的模拟和预报精度,无论是在率定期还是验证期,两种指标均控制在±10%以内,且两种指标的绝对值平均都不超过7%;整体而言,SMA-LSTM模型精度更高,预报的径流过程与实测过程更为贴近。研究成果可供流域径流预报实际工作参考。     

永定河上游清水河年径流序列特性分析及其随机模拟

利用位于清水河水系中下游的张家口水文站多年径流系列资料(1954～2008年),在简单阐述其符合水文资料的可靠性、一致性、代表性的基础上,分析清水河的多年径流量变化趋势,通过对资料的自相关和偏相关分析,判断对其模拟采用的随机模型,及其具体方程表达公式,并对模拟模型进行统计检验。     

基于EMD组合模型的径流多尺度预测

受全球气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,为降低由此而引发的预报误差,充分发挥不同模型对提高径流预测精度的优势,针对传统径流预报模型的单一性,以干旱区典型内陆河玛纳斯河为例,采用经验模态分解(EMD)提取径流序列中具有物理含义的信号,得到不同时间尺度的多个固有模态函数(IMF)及1个趋势项,利...     

矿井涌水量时间序列ARIMA预测模型研究

基于云南某矿山矿井涌水量时序数据,运用时间序列分析软件EViews 8.0经过差分运算、模型定阶、模型识别、模型检验等步骤建立了合适的ARIMA模型ARIMA(0,1,2)。利用该模型对该矿井2017年7-11月的涌水量进行预测,得出了预测结果,并与实际数据进行了对比分析。研究结果表明:预测结果与实际数据最大相对误差为6.0%,最小相对误差为1.8%,平均相对误差2.5%,与实测数据有较好的拟合,预测效果较好,说明了ARIMA模型可以用于矿井涌水量预测,并可为矿井涌水量预报和水害防治工作提供依据。     

SLM和LPM模型日径流模拟对比分析——以陕西黑河为例

本文以黑河流域为例,根据可能收集的资料,试用SLM和LPM模型对日径流量进行了模拟和模拟精度检验,并对各模型的模拟结果作了对比分析,结果表明:①LPM可用于参考性预报,而SLM不能用于参考性预报,只能作参考性估报;②由于LPM模型吸收了季节变化信息,其检验期和率定期的评定效率均较高.结论:较之SLM,LPM模型的有效性和可靠性都有很大的提高,而且在一定程度上消减了洪峰预报误差,考虑了洪峰非线性变化的影响.     

基于相空间重构和小波分析-粒子群向量机的滑坡地下水位预测

预测滑坡地下水位的动态演变过程对滑坡稳定性分析具有重要意义, 三峡库区库岸滑坡地下水位时间序列受多种因素影响, 呈现出高度非线性非平稳的特征.为对其进行预测, 提出一种基于相空间重构的小波分析-粒子群优化支持向量机(wavelet analysis-support vector machine, 简称WA-PSVM)模型.该模型引入小波变换法对地下水位序列进行时频分解, 将非平稳的地下水位序列转变为多个不同分辨率尺度下的较平稳的地下水位子序列; 然后重构各子序列的相空间, 再利用PSVM(全称support vector machine)模型对地下水位各子序列进行预测, 最后将各子序列预测值相加得到最终预测结果.以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例, 首先分析滑坡前缘地下水位变化的影响因素, 再将WA-PSVM模型应用于地下水位预测, 并与单独PSVM模型和小波分析-BP网络模型(wavelet analysis-back propagation, 简称WA-BP)作对比.结果表明: 滑坡前缘地下水位受降雨和库水位影响较大, 利用WA-PSVM模型对STK-1水文孔地下水位进行预测的均方根误差为0.073m、拟合优度为0.966, WA-PSVM模型预测精度高于单独PSVM模型和WA-BP模型.WA-PSVM模型解决了地下水位序列非线性非平稳的问题, 在不考虑影响因素的情况下能获得满意的预测效果, 具有较高的建模效率和较强的实用性.      

边坡变形模拟预测的普适灰色模型

传统灰色GM(1,1)模型,多适用于等间距监测数据序列的模拟预测;对非等间距序列,一般经过等间距处理或经过繁复的变换计算直接建立非等间距模型.从边坡变形模拟预测的角度来讲,传统灰色GM(1,1)模型只有当边坡变形呈低增长序列时,才能获得较高的模拟和预测精度,而对呈高增长序列的边坡变形往往产生较大的滞后误差.以优化灰色模型背景值为基础构建的普适GM(1,1)模型,不仅适用于边坡变形等间距监测数据的低、高增长序列,而且适用于非等间距的低、高增长序列,且都能获得很高的模拟和预测精度,对边坡变形的模拟预测具有普遍的适用性.