城市用水量预测中的多变量灰色预测模型

当观测资料的数据量少,而又存在多个相互影响或关联的变量时,常用的灰色预测模型GM(1,1)不能全面考虑多个变量。采用自适应MGM(1,n)模型———多变量灰色预测模型,较好地解决了这一问题。MGM(1,n)模型是GM(1,1)模型在n元多变量情况下的推广,通过联立求解n个n元微分方程,使模型中的参数能够反映实际工程或社会系统中多个变量间相互影响、相互制约的关系。以杭州市用水量统计资料为研究对象,运用灰色理论建立MGM(1,n)模型,获得了较好的预测效果。     

观测数据分析中几种方法的探讨(二)整体分析与多变量灰色模型

首先介绍了用因素分析法进行监测数据的整体分析。计算结果表明该方法的确能从较多的数据中提取出含义明确的关键因素，能阐明坝体变形的特征，而且由模型复制出的数据与原来数据很接近，两者间有高的相关系数。然后，介绍了用多变量灰色模型MGM(1，n)来处理有多个相关变量并且是小样本量预测的问题。对某土石坝的应用经验表明，这一模型与算式是可行和有效的，与其他模型如GM(1，1)相比较，MGM(1，n)模型能反映出多变量间的相互影响，且可获得更好的预测结果。     

多变量灰色模型在大坝变形预测中的应用

大坝变形影响因素复杂且具有明显的不确定性及灰色特征,采用灰色关联分析,从序化、量化的角度来选择最佳适量的影响因素用以表现所拟和的物理量,建立了多变量灰色模型MGM(1,n),并对未来时刻的物理量进行了预测.此方法较好地解决了目前常用的GM(1,1)模型不能全面考虑多个相互影响或关联的变量的问题.通过对某土石坝水平变形的预测,取得了满意的效果,表明这一方法对大坝变形预测是可行的和有效的.     

灰色系统模型在混凝土坝体温度预测中的应用

介绍了碾压混凝土坝体内部温度预测的原理及方法，并引用工程实例，利用多变量灰色系统原理建立MGM（1，N）模型，预测出大体积混凝土坝体的内部温度。指出：此模型精度高、误差小，较好地反映了坝体混凝土温度变化规律。     

贵州省工业需水量预测研究

等维灰色递补模型以灰色模型为建模基础,引入贵州工业用水量历史数值,选择合适的数据序列,建立预测精度较好的GM(1,1)预测模型,从而构建灰色递补GM(1,1)预测模型。该模型预测精度等级为"好",故预测需水量具有可靠性和参考价值。灰色递补模型显著地减小了后验差比值C,弥补了灰色模型的不足,可为城市中长期供水规划提供方法选择。     

基于多维灰色预测的堤坝安全监测模型

传统的水工混凝土结构裂缝安全监测模型只考虑水压、温度和时间等因素,不考虑裂缝自身的参数。根据断裂力学原理,针对裂纹深度和初始开合度,分析裂缝张开位移(COD)的影响因素。由于裂缝的深度和初始开合度不易检测和测量,存在多个相互影响和关联的变量,采用多维灰色预测模型(MGM),建立裂缝的异常诊断模型,对裂缝的突变和渐变进行预测,从而建立改进的安全监测模型。     

中国内地分区年用水总量预测模型研究

为了完善中国内地大尺度区域用水量预测模型的研究,为水资源科学利用提供支撑,应用ARMA、灰色GM(1,1)及BP神经网络模型原理,建立省级行政区划、流域、地理大区3种尺度的年用水总量预测模型,对模型优选结果进行统计分析,并应用最优模型对2021-2025年各省级行政区用水总量进行预测。结果表明：对于内地省级行政区划尺度,9个行政区的年用水总量最优预测模型为ARMA模型,6个行政区的最优预测模型为灰色GM(1,1)模型,16个行政区的最优预测模型为BP神经网络模型;对于流域尺度,5个流域的年用水总量最优预测模型为ARMA模型,3个流域的最优预测模型为灰色GM(1,1)模型,长江流域的最优预测模型为BP神经网络模型;对于地理大区尺度,北方6区的年用水总量最优预测模型为BP神经网络模型,南方4区的最优预测模型为灰色GM(1,1)模型;2021-2025年内地各省级行政区的年用水总量总体保持稳定。研究结果可为中国内地用水总量的管理提供依据。     

大坝沉降变形的灰色预测分析研究

用实测沉降资料预测大坝沉降过程是目前国内外大坝沉降变形监测分析中常采用的一种方法,包括双曲线拟合法、指数曲线拟合法和基于灰色理论的GM(1,1)模型预测方法。由于灰色理论在预测时不需要较长的观测数列,且能通过动态预测模型,最大程度的反映新信息在预测中的作用,因此在沉降变形预测方面具有很大的优势。本文针对目前大坝沉降变形GM(1,1)预测分析中存在的一些问题,根据大坝沉降变形的特点,分析了沉降观测数据列长度、观测时间的不等步长性、数据累加方式等对建模预测精度的影响,探讨了用灰色等维预测模型动态预测非稳态沉降变形过程的方法,提出了灰色等维动态预测模型的维数尺度标准。     

基于改进灰色模型的水资源预测

为了提高灰色模型GM(1,1)对用水量预测的精度,通过对传统灰色模型的残差序列进行改进,提出了一种新的灰色改进预测模型。将其应用于城市居民生活用水量预测中,结果表明:与传统GM(1,1)模型预测值相比,改进GM(1,1)模型预测值与实际值拟合效果更好。     

城市年需水量的灰色预测探讨

分析了某市年需水量的变化特点,讨论了对年需水量预测效果较好的灰色GM(1,1)模型在该市年需水量预测中的应用,并提出了改进灰色模型在该市年需水量预测中的应用,结果表明:改进的灰色预测模型与传统的灰色GM(1,1)模型相比,平均相对误差及原点误差均较小,可用于该市的年需水量预测,为该市年需水的宏观调控与用水规划提供参考.     

基于互信息的湖泊日水位预测——以西洞庭湖为例

鉴于传统的湖泊水位预测在输入因子选择时具有一定的盲目性,以西洞庭湖为例,利用基于互信息的输入因子选择法建立了日水位预测模型。按河流生态功能将水文年划分为枯水期、汛前涨水期、汛期、汛后退水期4个时期,然后分期计算影响湖泊日水位的自变量与日水位的互信息,并引入广义相关系数将互信息归一化,选出各时期互信息最大的自变量因子作为模型的输入变量。经过模型计算与数据分析可得:F检验结果显著,回归值与实测值的相关度高,剩余标准差小。由此证明用互信息筛选出的因子作为模型的输入变量能取得较好的精度并在实际中易于操作。     

基于 EnKF 的新安江模型参数和变量同步估计方法

数据同化方法可提高数值预报的时效性和准确性,且该方法已在水文领域得到应用,并得到快速发展。为了提高新安江模型径流模拟预报精度,采用集合卡尔曼滤波方法同化径流数据,对参数和状态变量进行同步校正估计。通过对三水源新安江模型进行理想条件下的数值实验,在同时考虑模型自身、模型参数以及观测数据的不确定性的情况下,分析了参数均值和方差改变、集合大小、同化参数的敏感性以及相关性分析对同化过程的影响。结果表明:集合卡尔曼滤波算法具有可行性,且参数均值越接近真值、方差适当增加,集合大小适中,同化参数敏感性较低以及参数与变量间相互独立时,能在一定程度上增加径流同化精度。该研究可为同类型参数同化估计提供一定参考依据。     

用统计模型估计大坝实际观测精度

观测精度历来是大坝观测中最需要关注的要素之一.在仪器埋设后,怎样检验设施的实际精度?目前采用现场率定的方法是必要和有效的,但存在一定的局限性.充分利用各工程已有的长期观测资料,根据其统计模型估计实际观测精度,是一种可普遍实行的有效方法.文中提出了衡量回归效果优劣的参考标准,并以垂线为例,对大量实测资料的模型进行筛选,分别提出了在人工观测和自动化监测条件下的量测精度和系统综合精度.在自动化监测资料分析中发现,环境的日变化对结构性能会有一定影响,目前统计模型中没有反映此类因素的因子,拟合效果会有所降低.     

稀疏样本下冬春季月平均气温空间插值研究——以新疆玛纳斯河流域为例

针对我国典型高寒山区——新疆天山中段玛纳斯河流域积雪-融雪过程模拟中气温空间数据的制备问题,以气象站点稀少的玛纳斯河流域为研究区域,利用最小二乘相关分析法开展了冬、春季(2015年11月-2016年4月)气温环境变量分析,通过共线性检测确定了纬度、海拔、坡度、坡向、NDVI 5个环境变量组成了最优因子集,构建了基于广义回归神经网络(GRNN)的月平均气温空间插值模型。采用区域内139个站点中的119个观测站点数据作为训练数据对GRNN模型进行训练,确定了冬、春季6个月的区域气温空间插值模型。利用剩余的20个观测站点数据作为检验样本,以均方根误差(RMSE)和平均相对误差(MRE)为评价指标,对模型的回归误差进行分析。结果表明:本模型6个月的平均RMSE值为1. 46,优于传统的地理加权回归克里金(GWRK)方法(其平均RMSE值为2. 22)。此外,从不同月份的气温空间插值分布图来看,本文模型空间插值后的气温变化趋势与实际变化趋势一致。从气温的空间分布情况来看,各空间点的气温与其海拔高程呈正相关,且随地表覆盖类型变化。这也表明本文提出的插值策略并组合建立的GRNN模型对于稀疏气象站点条件下的气温空间插值精度更高,一致性较好。     

Numerical simulation of water quality in Yangtze Estuary

In order to monitor water quality in the Yangtze Estuary, water samples were collected and field observation of current and velocity stratification was carried out using a shipboard acoustic Doppler current profiler (ADCP). Results of two representative variables, the temporal and spatial variation of new point source sewage discharge as manifested by chemical oxygen demand (COD) and the initial water quality distribution as manifested by dissolved oxygen (DO), were obtained by application of the Environmental Fluid Dynamics Code (EFDC) with solutions for hydrodynamics during tides. The numerical results were compared with field data, and the field data provided verification of numerical application: this numerical model is an effective tool for water quality simulation. For point source discharge, COD concentration was simulated with an initial value in the river of zero. The simulated increments and distribution of COD in the water show acceptable agreement with field data. The concentration of DO is much higher in the North Branch than in the South Branch due to consumption of oxygen in the South Branch resulting from discharge of sewage from Shanghai. The DO concentration is greater in the surface layer than in the bottom layer. The DO concentration is low in areas with a depth of less than 20 m, and high in areas between the 20-m and 30-m isobaths. It is concluded that the numerical model is valuable in simulation of water quality in the case of specific point source pollutant discharge. The EFDC model is also of satisfactory accuracy in water quality simulation of the Yangtze Estuary.     

荆江—洞庭湖水沙数学模型研究

在对复杂的荆江—洞庭湖水系进行概化的基础上，根据其中各节点和湖泊的实际情况，建立了对整个荆江—洞庭湖水系进行模拟计算的复杂河网水沙数学模型。采用1996年的相关资料进行了验证，结果表明，模型计算值与实测值吻合较好，说明本文对荆江—洞庭湖复杂边界条件的概化，特别是对湖泊调蓄作用的处理是比较符合实际情况的，模型可以模拟边界条件复杂的河网。运用该模型，可以计算出整个荆江—洞庭湖区域的洪水演进、泥沙淤积和河床变形情况，可供防洪调度以及江湖治理部门参考。     

长江江苏段二维水流-水质模拟

根据长江江苏感潮河段水流水质及地形特点，应用有限体积法及黎曼近似解建立了平面二维水流-水质模型。模型应用有限体积法的积分离散，并利用通量坐标旋转的不变性把二维问题转化为一系列局部的一维问题进行求解，采用通量差分裂格式计算各跨单元边界的水量、动量及污染物输运等通量。应用浓度输移精确解验证模型算法的正确性，利用长江江苏感潮河段的水流、水质监测资料进行模型率定检验，并通过对卫星遥感资料的分析检验模型计算污染带的合理性。模型在长江江苏段主要地区区域供水规划及实施决策支持系统中得到应用，为该江段水质规划提供依据。     

On the concept of model structural error.

A consideration of model structural error leads to some particularly interesting tensions in the model calibration/conditioning process. In applying models we can usually only assess the total error on some output variable for which we have observations. This total error may arise due to input and boundary condition errors, model structural errors and error on the output observation itself (not only measurement error but also as a result of differences in meaning between what is modelled and what is measured). Statistical approaches to model uncertainty generally assume that the errors can be treated as an additive term on the (possibly transformed) model output. This allows for compensation of all the sources of error, as if the model predictions are correct and the total error can be treated as "measurement error." Model structural error is not easily evaluated within this framework. An alternative approach to put more emphasis on model evaluation and rejection is suggested. It is recognised that model success or failure within this framework will depend heavily on an assessment of both input data errors (the "perfect" model will not produce acceptable results if driven with poor input data) and effective observation error (including a consideration of the meaning of observed variables relative to those predicted by a model).