黄河下游冰凌特征变化及影响因素分析

针对黄河下游封冻河段不稳定、凌情复杂的问题,依据1950～2017年黄河下游历史冰情资料,运用线性倾向估计法统计分析了该河段冰凌特征变化,并分析了影响冰情的主要因素。结果表明,黄河下游冰凌特征变化为单个凌汛期内封、开河频次不稳定;封河长度、封河天数、最大冰量均有显著下降;封河流量、开河流量明显减小;封河气温明显上升。受多种因素共同影响,1999年小浪底水库运用后下游冰情发生了明显变化,主要表现为流凌日期推迟6d,首封日期提前1d,开河日期提前8d,封河天数减少7d,封河长度缩短140km,封冻冰量减少约77%,不封河年频率由14.3%增加到31.6%等。研究结果为黄河下游河道未来防洪最不利标准的设定提供凌汛条件。     

气温变化和水库运行对黄河内蒙古段凌情的影响

近半个世纪内,气温变化和水库运行使黄河内蒙古段凌情呈现出不同的特点。基于黄河内蒙古段1959~2013年冬季气温及水文资料,统计分析了巴彦高勒、三湖河口、头道拐3个水文站近55年平均气温及其变化过程,并结合水库冰期控流情况,分时段研究了黄河内蒙古段凌情变化。结果表明,1968年水库运行后至1987年气温突变前,封河与开河日期比基准期均推后,封冻持续时间基本不变;1987年气温突变后,封冻日期推后,开河日期提前,封冻期缩短;流凌日期、封河日期与气温转负后的降温强度有关;累积负气温与冰厚呈显著负相关,相关系数达-0.817,气温升高使得首封位置下移。     

集对分析在改进BP神经网络凌汛开河日期预测评估中的应用

为客观和有效地定量评估BP神经网络凌汛开河日期预测模型,以黄河内蒙段三湖河口站冰凌开河日期为例,采用粒子群算法、遗传算法及小波分析理论对BP神经网络进行改进,并以集对分析理论的同一性、差异性和对立性对改进预测模型的数据集合建立评估模型.评估结果表明,集对分析与平均相对误差精度相比能更合理地反映模型预测效果.     

基于可拓数据挖掘的黄河开河日期预测模型

鉴于黄河开河日期受多种因素的制约,以黄河头道拐段为例,在分析影响黄河开河的各种因素基础上,构建了由9个因子组成的开河预测评价指标体系,利用层次分析法确定了各因子的权重系数,并由统计分析法排序确定每个因子的经典域和节域,通过构造简单关联函数,采用可拓数据挖掘技术建立了黄河头道拐段开河日期预测模型。同时为避免不同因子量纲和数值量级的差别,将各因子数据预处理为年变化率后再进行运算。结果表明,该方法可行,对其他河段亦具有借鉴意义。     

灰关联模式识别与预测方法在河南省黄河中游流域夏季雨量中长期预报中的应用

基于三门峡、郑州、卢氏、孟津、济源和孟州站6~8月累积雨量资料,采用灰关联模式识别与预测方法进行了中长期雨量预测,预报验证期为5年。结果表明,6个站点的预报合格率均大于等于60%,总体上看丰水年的预报合格率大于枯水年,其中卢氏站的预报合格率最好,达到100%;三门峡站2006年、孟津站2002年和2006年预报相对误差较大,原因在于其实测值在各自站点从小到大排序中排位靠前,可见灰关联模式识别与预测方法在预测极小值时效果较差。     

长江螺山站水位预报研究

运用BP人工神经网络建立了长江螺山站水位预报模型。选取模型影响因子时,用上游站点及本站的前期流量过程反映洪水涨落率、下游站点水位反映下游变动回水的顶托作用。为提高螺山站高水位时的预报精度,提出了以水位流量的时间差分值作为BP网络模型输入和输出的新方法。多个算例的计算结果表明,新方法能进一步提高预报精度,在洪水预报研究中具有推广应用价值。     

黑龙江干流凌情特征及影响因素分析

鉴于黑龙江地处高寒地带凌情特征明显,且洪水多发对黑龙江省造成了严重的损失,定量描述了黑龙江干流11个水文站点的开封河日期、封冻天数和冰厚,分析了凌情影响因素。结果表明,近50年来,封冻日期推迟、解冻日期提前、封冻天数和冰厚逐渐减少,累积负积温与封冻天数、冰厚呈负相关;当年10月至次年4月气温均值与封冻日期、解冻日期相关性良好, 但风速和日照时长与凌情特征相关性不显著,水位与开封河日期相关性不显著。     

引入灰色弱化缓冲算子的人工神经网络组合预测方法在年径流预测中的应用

为了提高年径流量预测的精度,将灰色系统理论的弱化缓冲算子和人工神经网络相结合,提出一种新的年径流预测方法——引入灰色弱化缓冲算子的人工神经网络组合预测方法,并以兰州站年径流过程计算为例,验证了该方法的合理性。结果表明,预测结果精度较高,可见将引入灰色弱化缓冲算子的人工神经网络组合预测方法用于年径流预测具有可行性。     

基于多因子组合的SVR模型在松花江流域径流预报中的应用

为对数据驱动的径流预报模型的预报因子进行方案优选,利用相关系数法(CA)对松花江流域上游3个水文代表站(大赉站、扶余站、哈尔滨站)的月径流、佳木斯站的月降水和74项大气环流指数等潜在预报因子进行初筛,然后用主成分分析法(PCA)、互信息法(MI)进一步优选因子,最后基于支持向量机回归模型(SVR)结合选取的潜在预报因子(共9种组合方式)预报松花江流域佳木斯站的月径流,并采用均方根误差(R_(MSE))、平均相对误差(M_(RE))、决定性系数(R~2)、合格率(Q_R)评价不同预报因子组合间的SVR模型的预报性能。结果表明,SVR结合7因子的PCA模型与其他因子组合的SVR模型相比,更适用于松花江流域的月径流预报,其R_(MSE)、M_(RE)、R~2、Q_R分别为856.68m~3/s、31.4%、0.809 4、73.3%,各项评价指标均优于其他因子组合方案。     

基于LM算法的模糊优选神经网络模型

针对传统模糊优选神经网络模型训练速度慢、训练结果易陷入局部最小解的缺点,提出了基于LM算法的模糊优选神经网络模型且对传递函数进行了改进,并预测分析了黄河内蒙段的三湖河口站和巴彦高勒站冰情.实例结果表明,改进模型训练速度更快、训练预测结果更优.