桓仁流域汛期旬径流预报方法研究

以桓仁流域为例,分析了我国北方流域汛期各旬不同的来水特点,对以往采用不变预报因子的旬径流预报方法进行了改进。汛期各旬挑选变预报因子,结合多元线性回归方法构建旬径流预报模型。计算结果表明,基于变预报因子的旬径流预报模型,更能反映流域旬径流变化规律,且比不变预报因子的预报精度高,预报效果更理想。     

自回归总径流线性响应模型在洪水预报中的应用

采用自回归总径流线性响应(ATLR)模型建立淮河王家坝站洪水预报方案和海河流域南运河水系洪水预报调度方案.自回归TLR模型与TLR模型加误差自回归实时校正模型的结构相同,但前者计算简捷,预报精度也有所提高.     

数据驱动模型在渭河流域来水预报中的开发和应用研究

现有的水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类,近年来随着水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注,回归模型、神经网络模型均属此类.本文首先采用距离平方反比与泰森多边形相结合的方法,由雨量站观测到的降水量求得渭河流域各四级区的降水量,然后采用自回归模型结合年～月～旬逐级修正的方法对渭河流域10个四级区进行降水预报,采用降水～气温～径流多元线性回归模型对渭河流域28个水库进行径流预报,取得了较好的效果.     

基于ABC法下改进SVR模型的南疆冰川河流年径流预测

为提高传统SVR模型的求解精度和收敛速度,对其循环求解过程利用人工蜂群算法的自适应度因子优化改进,并以新疆冰川河流为例,验证改进SVR模型的可行性与预测精度。结果显示:改进的SVR模型在AIC计算准则下获得的计算值能够达到最小,相对于传统模型其参数结果更加合理;在南疆冰川河流年径流预测过程中改进的模型可提高年相关系数0. 26,降低预测误差均值17. 2%,能够明显提高年径流预测精度;对于冰川河流未来年径流预测建立的自回归方程具有较强的适用性与科学性,为南疆地区其他类似河流的径流预测和水文变化规律分析提供参考。     

不同时间尺度的中长期水文预报研究

为研究中长期水文预报时间尺度对预报精度的影响,选取最近邻抽样回归模型与基于小波分析的组合模型对长江干流典型断面不同时间尺度的径流序列进行中长期径流预报。将1980~2012年的逐日径流资料经过时间聚集方法转换成三天、周、旬、半月、月、双月、季、半年、九月、年等10个不同时间尺度,对高场、寸滩、宜昌、螺山、汉口、大通6个典型断面的径流进行拟合和预报。结果表明:随着预报时间尺度增加,预报精度呈现先降低后提高的趋势,其中,在月时间尺度上预报效果最差,三天和年尺度上预报效果相对较好。     

改进ARX模型在襄阳站年径流序列预测中的应用

在气候变化和人类活动的影响下,我国部分流域的年径流过程表现出了复杂性波动,常规的统计分析预测模型都有其一定的局限性。多因子自回归模型(ARX模型)可以较高精度地对具有复杂性波动的系统进行模拟。以受人类活动影响和气候变化影响较为显著的汉江流域的襄阳站为研究对象,采用改进后的ARX模型对襄阳站1960~2002的年径流过程进行了模拟,并与多种常用的统计分析方法进行了比较,验证了ARX模型在模拟具有突变性的年径流过程的良好性能。根据所率定模型对襄阳站2003~2012年的年径流进行了预测,预报合格率达到90%,说明了ARX模型在中长期径流预报中较好的适用性。     

贝叶斯判别分析在中长期径流预报中的应用研究

基于贝叶斯判别分析原理,考虑径流形成的特点及物理成因,选择研究区碧流河水库1959~2011年的实测资料,且将径流分为5个级别,用相关系数模型,考虑因子的不确定性,筛选出相关性高、彼此间独立性强的10个判别因子,分别构建基于朴素贝叶斯分类器(N-Bayes)和贝叶斯判别准则(DBayes)的年径流属性级别预报模型,并利用研究区2001~2011年资料进行了试报和检验。预报结果表明:两种模型的预报结果相近,准确率均超过70%,D-Bayes的预报效果略优于N-Bayes,初步说明:贝叶斯判别分析原理在水文预报中的应用,有着较好的前景。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算...     

基于 SVR 的无实测资料小流域山洪灾害 临界雨量预估模型及应用 -以河南新县为例

山洪灾害是我国防灾减灾工作中亟待解决的突出问题,临界雨量是山洪灾害预警预报的重要指标,传统的临界雨量计算方法各有所长,对资料的要求各不相同,但对于无实测资料小流域防灾对象临界雨量计算的研究却寥寥无几(这里无实测资料指的是既没有雨量、洪峰资料也无野外断面调查资料)。鉴于此,基于支持向量机回归拟合算法(SVR),应用比拟法建立模型,对无资料小流域山洪灾害临界雨量进行推求。结果表明:(1)SVR模型具有很好的泛化性,预测精度高、误差小,结果较优;(2)利用SVR模型预估的临界雨量值与真实值偏差小,可以作为山洪灾害预警预报指标,为当地决策部门提供参考。     

黄河源区雨季降水与汛期径流量重建及其千年尺度下的演变特征

黄河源区年内降水集中, 洪水风险大, 重建源区雨季降水和汛期径流量对于提高径流预报预测精度及防洪防灾具有重要科学意义和应用价值。本文利用黄河源区及周边筛选的16个树轮年表, 采用嵌套主成分层次贝叶斯回归模型, 估算参数后验分布替代固定值以考虑不确定性, 重建了黄河源区过去1 160 a的雨季降水; 提出了基于年径流的分类占比回归模型, 以考虑汛期径流量与年径流量的一致性, 将黄河源区汛期径流量展延至公元159年。结果表明: ①嵌套主成分层次贝叶斯回归模型的误差缩减值(E_R)和有效系数(E_C)评价指标值均显著高于0, 分类占比回归模型的E_R和E_C值最高分别达0.90和0.88, 重建结果可靠性较高; ②即使在千年尺度下, 1979—1985年亦是较为不寻常的汛期高径流量时期。     

基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子,构建了基于AdB、RF和SVM模型的各月径流预报模型,模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明,王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明,王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果,但RF和SVM模型对于高流量值的预报存在偏低现象,AdB模型整体上优于RF和SVM模型。     

大伙房水库年径流预报方法研究

通过分析大伙房水库所属流域的气候特征,找出合适的预报因子;采用平稳时间序列、逐步线性回归、BP神经网络作为几种典型中长期预报方法的代表,分别对大伙房水库进行年径流预报建模;综合比较三种方法的拟合与检验预报结果,可以得出BP神经网络法是最适合该流域的预报方法.     

基于在线学习与误差修正的珠江河口区盐度预报

受潮汐、径流、风速风向、地形变化等多种海陆要素交互作用,河口区盐水入侵呈高度不确定性与非线性特征,盐度预报难度较大.利用在线学习算法与误差自回归修正方法在水文预报中时效性更强的优点,构建一种耦合在线序列极限学习机-误差修正(OSELM-EC)盐水入侵预报模型,选取珠江河口区磨刀门水道为典型研究区进行逐日盐度预报.结果表...     

BP神经网络洪水预报模型在洪水预报系统中的应用

采用相关分析法,在区域降水、观测断面流量(或水位)因子中识别出影响预报断面径流过程的主要变量,在多个观测断面的数据均为流量情况下,采用基于时延组合的合成流量为影响预报断面径流过程的变量,采用自相关分析法,识别出影响预报断面径流过程的前期流量(或水位),以这些变量为BP神经网络模型的输入,以预报断面的流量(或水位)为模型的输出,在BP神经网络隐层节点数自动优选的基础上,构建了基于BP神经网络的洪水预报模型。将模型载入中国洪水预报系统中,应用结果表明:模型在历史洪水训练样本具有一定代表性的情况下,可获得较高的预报精度。     

丹江口水库秋汛期长期径流预报

针对目前长期径流预报中物理成因考虑较少的问题,以丹江口水库为例,在分析影响径流物理背景的基础上,研究前期气象因子与水库秋汛期入库径流过程的相关关系,识别影响径流的大气环流与海温等物理因子,利用主成分分析法提取主要预报信息,建立了包含大气环流因子、海温因子等气象物理信息以及前期降雨、径流等水文信息作为预报因子集的三层BP神经网络预报模型.利用1956~2008年秋汛期9、10月入库径流量进行模拟与试报,并与仅采用前期降雨径流的预测模型进行了比较,结果显示基于物理成因分析的预测模型稳定性良好,模拟及试报精度较高,9、10月试报精度平均提高约30%,分别达到87.5%和75%,并对预报年份中的丰枯特征有较好的体现.     

基于聚类和支持向量回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量回归(SVR)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略,对训练样本集进行聚类分析,将其分为若干相似子类;再针对每一子类构造一个支持向量回归(SVR)模型,以对应子类的样本集训练SVR模型。由于聚类后的每一子类的样本具有相似性,同时子类样本数较少,因此,该方法能够缩短训练时间,提高预测精度。基于某电网提供的历史负荷数据进行的不同方法对比实验说明了该方法的有效性。     

耦合长期预报的跨流域引水受水水库调度模型

为提高跨流域引水工程受水水库引水有效性,研究了耦合长期径流预报信息的跨流域引水受水水库调度模型。首先选取汛期径流预报信息,采用径流预报概率修正先验概率来描述径流的不确定性,建立了贝叶斯随机动态规划模型(BSDP-LTF)。然后将模型应用于碧流河水库,并与仅考虑径流相关的随机动态规划模型(SDP-I)、仅考虑长期预报信息的随机动态规划模型(SDP-LTF)进行比较。比较结果得出在供水保证率基本一致且不增加调度风险的情况下,BSDP-LTF模型相比SDP-I、SDP-LTF模型,可分别减少引水8.2%、4.1%。表明贝叶斯随机动态规划模型BSDP-LTF有效改进了径流描述,提高了跨流域引水的有效性。     

基于差异进化算法的前馈神经网络在大坝变形监测中的应用

针对当前大坝安全监测中广泛采用的回归模型欠拟合的不足,提出了基于差异进化算法的前馈神经网络模型。差异进化算法是基于种群策略的全局优化搜索算法,具有应用简单、收敛快的优点。采用该法训练的神经网络可以有效避免常规BP(back propagation)神经网络收敛于局部极小点的缺陷。将提出的方法应用于某拱坝的变形监测,通过计算表明,应用DE(differential evotntion)神经网络模型预报大坝变形的精度比常规回归模型和BP神经网络模型均有所提高。