多层递阶方法在洪水预报中的应用

阐述了用多层递阶方法进行洪水预报的基本原理和方法。以浙江省金华站为例,建立了该站年最大洪峰流量的多层递阶自回归预报模型,预报值与实测值吻合较好。该模型通过与三阶自回归预报模型进行比较,前者的预报精度优于后者。     

地下水动态预报DAMSM模型的研究及应用

通过地下水位监测系统的建设和地下水动态预报DAMSM模型的建立,及时、准确地掌握地下水位的变化情况,为区域水资源总量分析和合理配置提供依据。     

一种新的预测方法在地下水动态预报中的应用

通过实例介绍一种新的预测方法,用来处理含有时变参数的预测模型,采用对时变参数建模和预测,改善了预测的精度。     

频谱分析法在地下水动态预报中的应用

本文介绍了用频谱分析法进行地下水动态预报的基本原理,并以实例验证了该方法确是一种计算速度快,精度高、效果好、方便易行的地下水动态预报方法。     

线性规划在地下水动态预报中的应用

本文在指出相关分析法预报地下水位不足的同时,提出了线性规划方法预报地下水位的依据和具体作法。并以实例说明线性规划法预测地下水位的精度高于相关分析法的预测精度。     

基于多层递阶方法的边坡位移预测

提出采用多层建模法预报边坡位移。该方法把动态系统的状态(或输出)预报问题分为系统的时变参数预报和在此基础上对系统的状态(或输出)预报两部分,可充分考虑被预报系统的时变特性。给出了多层递阶的建模和预报方法。工程实例表明该方法有较好的预测精度和实用价值。     

非平稳时序模型在地下水动态预报中的可行性分析

以陕西省宝鸡峡灌区一典型井的水位埋深数据为资料,运用回归分析,傅立叶级数频谱分析及自回归模型分析等方法,建立地下水埋深的非平稳时序模型。采用该模型对该典型井未来水位埋深进行预测,将预测结果与实测数据进行对比。分析该模型的预测精度及其误差来源,阐述其应用于地下水动态预报的可行性,从而对如何提高该模型预测精度提出建议。     

时间序列分析法在地下水水位预测中的应用

联合模型是能够应用于地下水水位预测的一种时间序列分析法,它由趋势函数、周期函数和自相关函数组成。本文结合北京市地下水监测资料进行了趋势性、周期性和自相关性分析,详细讨论了联合模型在地下水水位预测中的应用。     

基于遗传算法的地下水位动态预测双线性模型

提出了建立双线性模型(BM)的一套简便通用的方法。用加速遗传算法可同时估计BM 模型各参数,成功地解决了BM建模这一难题,为BM模型的广泛应用提供了新工具。实例计算 结果说明:用这套方法预测地下水位动态是可行而有效的;通过利用预测过程中产生的残差信 息进行反馈矫正,保证了BM模型劫高的拟合精度和稳健的预测性能,增强了对复杂非线性动态 系统的适应性。     

基于遗传BP神经网络的地下水位预测模型

地下水水位动态预测对农田土壤盐渍化防治、地下水地表水资源的合理调度具有十分重要的意义。以新疆和静县某地下水观测井为研究对象,选择月均蒸发量、气温和灌溉量3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达地下水位与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.040 3,测试样本的网络输出值与网络目标值的相关系数达0.967 3,模型预测效果较佳。研究结果为区域地下水的开发利用与保护提供参考依据。     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

变权组合预测模型在地下水水位预测中的应用

为探讨变权组合预测模型在地下水水位预测中的应用,以内蒙古通辽市东郊为研究区,利用该区1997-2008年的地下水水位埋深数据,采用基于指数预测法、灰色预测法以及线性回归预测法的变权组合预测方法进行水位埋深的模拟和预测。经计算,以上3种单项预测方法的预测值以及组合预测方法的预测值与实际值的误差平方和分别为5.116 1、5.080 1、4.914 8、4.672 3。这表明,利用变权组合预测方法比单纯运用某一种预测方法预测精度更高。并且,由预测值可以看出,到2015年该研究区水位埋深将达到15.39 m,相比2008年递增幅度将达到20%。     

基于回归分析的地下水水质预测研究

影响地下水水质变化的因素较多,且地下水由于水体循环周期比较长,自净能力比较脆弱,地下水一旦受到污染,就很难恢复原状,并且会对生态环境造成严重影响,直接危害人类健康,因此应对地下水资源进行监测,建立动态预测模型。根据地下水水质与其影响因素之间存在的相关关系,运用回归分析理论和方法,建立了一个基于回归分析法的地下水水质动态预测模型,并将该模型用于研究区地下水水质的动态预测。结果表明预测精度较高,建立的模型较符合研究区的实际情况。     

SOM-RBF神经网络模型在地下水位预测中的应用

利用自组织映射(SOM)聚类模型优化径向基函数神经网络(RBFN)隐层节点的方法,减小了RBFN由于自身结构问题在地下水水位预测中产生的误差。采用SOM对已有样本进行聚类,利用聚类后的二维分布图确定隐层节点的数目,并根据聚类结果计算径向基函数的宽度,确定径向基函数的中心,由此建立SOM-RBFN模型。以吉林市丰满区二道乡为例,采用2000—2009年观测的地下水位动态资料,利用SOM-RBFN模型对地下水位进行预测,验证其准确性,并分别以5、7、10a的地下水位动态数据为研究样本建立模型,考查样本数量对预测结果的影响。研究结果表明:SOM-RBFN模型预测地下水水位过程中,均方根误差(RMSE)的均值为0.43,有效系数(CE)的均值为0.52,均达到较高标准,因此SOM-RBFN模型可以作为有效而准确的地下水水位预测方法;同时RBF7的RMSE和CE均值分别为0.38和0.68,结果优于RBF5和RBF10,这就意味着在模型计算中样本数量不会直接影响预测结果的精度。     

基于遗传算法优化的小波神经网络在地下水位预测中的应用

地下水位是衡量生态环境优劣和地下水资源的一个重要指标.地下水位下降,将引发地面沉降、地面塌陷和降落漏斗等.因此,地下水位预测对保护地质生态环境和实现地下水资源严格管理至关重要.由于BP算法存在极易收敛于局部极小点与过拟合等缺点,导致网络泛化能力不足,本文在构建小波神经网络基础上并引入遗传算法加以优化,以解决上述不足,并与BP和WNN对比预测了天津市深层承压水水位.预测结果表明,GA-WNN模型拟合精度较高,模型的预测能力有较大幅度提高.     

地下水动态预测的探讨

简要介绍地下水数学模型的原理和应用实例,着重介绍在河北省大清河地下水系统的大沙河-磁河冲洪积扇孔隙地下水区,尝试建立地下水埋深变幅预测的统计相关方法和神经网络模型取得的良好效果;同时对地下水预测中的降水补给、边界和初始条件等的处理进行讨论,对数学模型和统计相关模型优缺点进行比较。     

新疆玛纳斯河流域地下水预测研究

根据新疆玛纳斯河流域地下水年径流量的时间序列, 建立了用于描述和分析具有趋势和周期变化特性的地下径流量时间序列的组合模型应用模型对石河子地区地下水年径流量进行了预报, 为该地区水资源合理配置和优化调度提供科学依据 