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。     

疏勒河昌马堡站年径流长期预报模型研究

通过分析疏勒河昌马堡站年径流变化规律,并将年径流系列按照频率25%及75%为界,划分成3种情况：即多水年Xi〉35.0,中水年24.5≤Xi≤35.0,小水年Xi〈24.5。计算其状态转移概率得出：年径流过程从某一状态转移至其他状态的可能性都有,但其转移概率的最大值达66.7%。由此可知,年径流的变化过程不仅有随机性,而且有很强的相依性。通过多年对站年径流预报工作的实践,经过各种方法的比较检验,认为建立年平均流量的时间序列组合模型,其逐年预报的精度较高,经过误差评定分析,该模型均为甲级方案,检验预报时性能较稳定,能对昌马堡站年平均流量进行有效预报,为疏勒河流域调水提供技术支撑。     

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。     

概念性水文模型在出山径流预报中的应用

根据HBV水文模型的基本原理，建立了西北干旱区内陆河出山径流概念性水文模型。该模型反映了我国西部山区流域的径流形成特征，将山区流域划分为高山冰雪冻土带和山区植被带两个基本海拔景观带来对山区径流的形成和汇流过程进行模拟计算，以常规气象站的月气温和降水量为模型的初始输入，模拟计算月出山径流量。应用该模型对河西走廊黑河祁连山北坡的山区流域水量平衡进行了模拟计算，并对年径流和逐月分配进行了预报。结果表明，从枯水年到丰水年，降水量、蒸发量、径流量和径流系数均增加，而冰川融水和积雪融水对出山径流的补给比重则减少，这表明了冰雪融水对径流的具有调节作用。黑河山区流域径流系数远比干旱内流区的平均值大，但要小于全国的平均径流系数。所提出的内陆河山区流域出山径流的模拟和预报模型对年径流量和月分配的预报具有较好的精度，可用于黑河以及其他西北干旱区内陆河出山径流的预报，为内陆河流域中下游的水资源分配和开发利用提供依据。     

径流长期预报的人工神经网络方法

提出径流长期预报的人工神经网络方法。运用神经网络的一典型模型──“反向传播”模型,以大伙房水库在补水期的径流状况作为研究对象,尝试了神经网络方法的效果。结果表明,该方法预报成功率较高,容错能力较强,可望成为径流长期预报的有效的辅助手段。     

塔里木河源流径流量集成预报模型

塔里木河是中国最长的内陆河,干流区不产流,其水量均由源流供给,上游源流来水量的预报是流域水量调度的基础。应用时间序列分析方法对塔里木河上游3源流6个主要测站的多年径流系列进行分析,分别建立了月、旬系列组合模型和标准化时间序列组合模型,并对这三种模型的预报值进行回归集成。通过与实测值的对比,集成预报结果明显好于单个模型的预报结果,6站月径流量的总体预报精度均达到了甲级,其中多数月份的预报精度也达到了甲级。模型已经应用于塔里木河水量调度决策支持子系统的开发之中。     

复杂洪水预报系统的集成技术研究

以广西南盘江天生桥一级电站施工洪水预报系统为例,讨论了以水情数据库、洪水预报模型、数据库管理系统和模型管理器为基础构建集成化复杂洪水预报系统的若干技术问题,提出了用邻接矩阵来形式化和规范化预报系统水情数据与预报模型之间复杂关系的一般方法.     

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.     

水文预报加法模型在甘肃省主要河流年径流预测中的应用研究

加法模型是长期及超长期水文预测预报常用方法之一。本文阐述了水文预报加法模型原理,以甘肃省主要河流年径流超长期预报为例,建立起水文预报加法模型,并对各主要河流2018年径流预报情况进行对比研究,预报精度满足规范要求。并提出水文预报加法模型应用中的具体建议,以提高模型的预报精度。     

河流集合预报方法在洮河流域径流预报中的应用研究

为研究洮河流域径流预报,根据河流集合预报方法,利用红旗水文站实时监测资料,基于中国洪水预报系统开发的三水源蓄满产流、滞后演算和马斯京根模块构建全流域洪水预报模型,并应用该模型分析预测红旗水文站径流及其概率分布统计。结果表明:径流拟合过程拟合较好,取得了较好的预报效果,模型满足河流集合预报应用的条件,结论可为洮河流域水资源开发利用、防汛保安提供参考依据。     

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。     

集成极限学习机的中小河流洪水预报方法研究

为利用水文现象相似性和极限学习机(ELM)集成学习提高洪水预报精度,提出了一种基于相似度匹配的集成ELM洪水预报方法(SM-ELM)。方法首先从多个ELM模型中,为每一个训练样本找到最优的ELM模型,然后从训练集中,为测试样本匹配出最相似的前k个训练样本,最后利用这k个训练样本分别对应的最优ELM模型,对测试样本采用加权平均法进行集成预报。为证明提出方法的可行性和有效性,以昌化流域的历史洪水为例进行了验证。结果表明,相对于单个ELM,集成ELM模型能有效地提高预测精度。从均方根误差上看,集成ELM模型性能比单个ELM模型提升了10%~15%。在三种集成方法中,SM-ELM能够以较少的模型数量获得较高且稳定的预报精度。     

径流预报的模糊神经网络方法

径流预报是水资源系统优化调度的重要因素。探讨了神经网络及模糊模式识别的部分理论,在通常的神经网络预报模型及模糊模式识别预报模型的基础上提出了一种模糊模式识别神经网络预报模型及其相应算法,加强了系统的知识表达能力,使预报结果更为可信。通过实例计算,验证了模型的可行性以及所给算法对模型训练的有效性,从而为径流预报提供了一种新方法。     

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。     

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。     

洮儿河镇西站径流长期预报研究

利用1958～2004年洮儿河镇西站47a的径流量资料和同一时期的北太平洋海温及环流特征量资料，分析了北太平洋海温和大气环流变化与镇西站年径流的关系，建立了基于物理成因概念的多元线性回归预报模型，并利用该模型对镇西站2005年的最大洪峰流量和峰现时间做了预报。结果表明，最大洪峰流量和峰现时间模型对历史样本的拟合合格率可以达到76．2％和92．9％。2005年的最大洪峰流量和峰现时间的预报误差均在允许范围以内，为当年该地区的洪水资源利用和防洪减灾工作起到了重要作用。     

耦合LASSO回归的HHO-LSVR中长期径流预报模型

为验证LASSO回归在剔除冗余预报因子中的高效性,并探讨基于LASSO回归的哈里斯鹰群算法(HHO)与支持向量回归(SVR)耦合的HHO-LSVR模型的年径流预报效果,利用LASSO回归分别求得各气象因子的拟合系数并以此作为优选预报因子的依据,采用HHO算法来优化选择SVR模型的控制参数进行年径流预报并设置对照模型,利...     

概化的Tank模型及其在龙羊峡水库汛期旬平均入库流量预报中的应用

Tank模型（又称为水箱模型），是一种用于流域径流预报的确定性水文模型，根据龙羊峡水库入库主要产流区－－黄河上游唐乃亥水文站以上流域下垫面条件下产汇流特性，将其概化为以降雨量为输入，径流量为输出的单孔出流的线性水箱，工用于该水库汛期旬平均入库流量的预报，经对历史资料进行拟合和试验预报的 结果表明，该模型具有较高的预报精度，现已应用于黄河上游龙羊峡水库汛期旬平均入库来水量的中期预报中，取得了十分显著的经济效益。     

基于BP人工神经网络的枯水径流预报方案研究

介绍了BP人工神经网络的桔水径流预报方法,编制了锦屏一级水电站枯水径流预报方案.根据枯水径流预报方案的预报精度评定成果,总结了应用BP人工神经网络进行枯水径流预报的特点.研究表明基于BP人工神经网络的枯水径流预报方案能够满足水文情报预报规范,具有较好的实用性和可行性.     

基于相空间重构理论的时延神经网络应用于降雨径流预报

本文运用时延神经网络模型来模拟降雨径流过程,根据Takens相空间重构理论对前期影响雨量进行重构,并将其作为神经网络降雨输入结点.该方法可以有效改变以往神经网络输入结点主观性的问题,为正确确定神经网络输入结点提供了理论依据.通过计算实例表明,该方法的降雨径流预测精度较高.