基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报

长短时记忆神经网络(LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。基于LSTM针对不同预见期的径流预报分别建立了流域降雨径流模型,以探讨LSTM在水文预报当中的应用。模型采用流域降雨、气象及水文数据作为输入,不同预见期后的径流过程作为输出,率定期为14a,验证期为2a。结果显示,在预见期为0～2d时LSTM预报精度很高,在预见期为3d时预报精度较差,但仍优于新安江模型。隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。而输入数据长度则仅会在预见期为0的条件下影响模型预报效果。     

数据挖掘技术在径流预报中的应用

介绍了基于数据挖掘技术的径流预报方法,建立了以人工神经网络(ANN)为挖掘工具的水文预报模型,利用反向传播(BP)模型进行挖掘工作,通过权系数修正提高收敛速度.结合工程项目进行了模型的实际预测,并与普通模型相比较.实测结果和分析说明,该模型有较好的预测精度,有实际应用价值.     

组合多元线性回归模型在径流预测中的应用研究

为提水文预测预报精度,研究提出混合蛙跳算法(SFLA)-组合多元线性回归(CMLR)径流预测模型。首先基于主成分分析(PCA)数据降维和不降维构建CMLR模型;然后利用SFLA同时优化CMLR常数项、偏回归系数和组合权重系数,建立SFLA-CMLR径流预测模型;最后将SFLA-CMLR模型应用于2个年径流预测实例,并构建基于PCA降维处理的SFLA-PCA-MLR、SFLA-PCA-支持向量机(SVM)、最小二乘法(LS)-PCA-MLR、PCA-SVM和未经降维处理的SFLA-MLR、SFLA-SVM、LS-MLR、SVM作对比预测模型。结果表明:SFLA-CMLR模型对2个实例年径流预测的平均相对误差分别为1.54%、4.63%,预测精度均优于SFLA-PCA-MLR等8种模型,具有较好的预测精度和泛化能力。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。     

基于MEA-BPNN-EEMD的水文径流模拟方法研究

为获得水文径流模拟的标准模型,基于思维进化算法优化(MEA)误差反向神经网络模型(BPNN)模型构建MEA-BPNN模型,并将计算结果与遗传算法优化BPNN模型(GA-BPNN)与BPNN模型进行对比,并将EEMD算法求解的径流分量作为模型输入参数。结果表明:MEA-BPNN模型预测精度最高,同时在5—10月的丰水期模拟精度高于枯水期,在丰水期采用连续滚动预报,而在枯水期采用同期预报的预报方式可保证MEA-BPNN模型最高的精度。     

ARIMA模型在松华坝水库枯季入流预测中的应用

为探索ARIMA模型在水文中长期预报的适应性,以预报松华坝水库枯季入流为例,选取该水库主要入流控制站中和水文站枯季（11月-次年4月）径流建立数学模型进行分析预测,并与周期时间序列模型的预测结果进行对比,结果表明ARIMA模型预测精度优于周期时间序列模型预测成果,可应用于水文预报工作中。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

基于MIKEBASIN平台的汉江流域

为合理配置水资源、促进水资源的可持续利用,开展水资源量的预测预报研究是一项重要的基础支撑工作.以汉江流域为实例,基于流域水文分析软件MIKEBASIN进行子流域划分,采用降雨径流模型(NAM)来模拟各分区降雨径流过程,初步构建了汉江流域水量预测模型系统,并对水量模型的各关键技术重点展开研究.研究成果表明,通过细化模型分区、提高NAM模型参数率定精度、改进水库处理方法等工作,可以明显提高水量模型的模拟预测精度.     

珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

黄龙滩水库中长期径流预报方法研究

基于黄龙滩水库和潘口水库历史旬月径流数据,选取其2012年～2018年的径流、降雨数据进行灰色关联分析,筛选出与黄龙滩水库入库径流关联度最高的7个预报因子,建立深度神经网络(DNN)、Elman神经网络和支持向量机(SVM)径流预测模型,对模型参数进行训练,统计模型训练期和检验期的确定性系数、洪峰合格率、均方差和平均相对误差。预报效果表明,3种模型在黄龙滩水库中长期径流预测上效果较好,精度较高,误差较小,预报结果对于黄龙滩水库水文预报上具有重要意义。相比于深度神经网络和Elman神经网络,支持向量机在洪峰预报上误差更小,且具有更高的预测精度。     

大渡河流域径流预报实时校正方法应用研究

为降低大渡河流域的径流预报误差,提高径流预报的可靠度和精度,以大渡河上游绰斯甲流域为研究对象,采用误差自回归校正模型(AR)和全过程联合校正方法(EPJC)2种实时校正技术,对新安江模型的径流预报结果进行了应用研究。选取洪峰流量相对误差、峰现时间绝对误差、径流深相对误差和确定性系数作为模型的评价指标,对比分析了2种校正模型的修正效果。结果表明:实时校正技术能有效提升水文模型的实际预报能力,且EPJC方法的提升效果优于AR模型,对大渡河流域具有更好的适用性。     

基于小波去噪和FA-SVM的中长期径流预报

为优化支持向量机(Support Vector Machine,SVM)模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法(Firefly Algorithm,FA)对支持向量机主要参数(惩罚系数C、核函数参数g和不敏感损失系数ε)进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:(1)运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;(2) FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;(3) FA-SVM模型的预报效果优于BP神经网络模型。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

基于MIKEBASIN平台的汉江流域径流预测模型初探

为合理配置水资源、促进水资源的可持续利用,开展水资源量的预测预报研究是一项重要的基础支撑工作。以汉江流域为实例,基于流域水文分析软件MIKEBASIN进行子流域划分,采用降雨径流模型(NAM)来模拟各分区降雨径流过程,初步构建了汉江流域水量预测模型系统,并对水量模型的各关键技术重点展开研究。研究果表明,通过细化模型分区、提高NAM模型参数率定精度、改进水库处理方法等工作,可以明显提高水量模型的模拟预测精度。     

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。     

变化环境下气象水文预报研究进展

随着全球气候变化、下垫面改变及高强度人类活动的不断加剧,流域降水、蒸发、径流等气象水文要素都受到直接性的影响,水文序列的一致性假设不复存在。在变化环境下,传统径流预报方法适用性逐步变差,从而对气象水文的精准预报带来挑战。本文分别从气象水文预报的各个环节——多源降水数据融合、数值天气预报、流域水文模型、参数率定、数据同化、集合预报等方面综述了变化环境下的气象水文预报的研究进展。可以看到,国内外学者围绕上述技术都开展了大量研究,并取得了大量成果。未来针对变化环境下气象水文预报研究,将主要围绕以下方向开展:(1)落地和预报降水精度及时空分辨率的进一步提高;(2)水文模型结构的改进及不确定性分析;(3)水文预报误差的描述方法及其可靠性。     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。     

基于经验模式分解卡尔曼滤波的径流预报校正

针对水文径流预测过程中不可避免的误差,提出基于经验模式分解的卡尔曼滤波校正方法,采用经验模式分解理论将径流序列转变为平稳过程,并结合预报过程误差规律及不同物理背景,运用基于Sigma点的卡尔曼滤波校正的动态系统分析技术,对单个水文模型的输出资料进行同化操作,对状态方程进行多变量最优控制,实时修正径流预报误差。实时校正结果表明,基于经验模式分解的卡尔曼滤波校正方法能一定程度上提高径流预报精度。     

基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。